Articles

  • Diabète : des profils patients différenciés et un virage vers la prévention cardiovasculaire

    Une prévalence en hausse sur dix ans

    En 2019, 4,4 millions d’adultes vivent avec un diabète en France, soit 8,3 % de la population adulte  (près d’1 adulte sur 12). Cette progression s’inscrit dans une tendance continue sur la période 2010-2019, avec une hausse de +29 % pour le diabète de type 2 et de +15 % pour le diabète de type 1.

    L’étude EpiCoDiab, menée par Roche Diagnostics France, timkl et IQVIA France, repose sur l’exploitation de dix années de données du Système National des Données de Santé. Elle mobilise un algorithme de machine learning qui permet, pour la première fois à cette échelle, de distinguer les deux types de diabète et d’en analyser séparément les trajectoires.

    Les profils des patients diffèrent nettement :

    • DT1 : âge moyen de 46 ans.
    • DT2 : âge moyen de 67 ans, avec des comorbidités fréquentes.

    Ces écarts structurent les besoins de prise en charge et les coûts associés.

    Le diabète de type 2, une pathologie à dominante cardiovasculaire

    L’étude met en évidence le poids des complications cardiovasculaires dans le DT2. En 2019 :

    • 72,7 % des patients sont hypertendus.
    • 10,6 % ont des antécédents d’infarctus du myocarde ou de maladie cardiaque.
    • 9 % présentent une insuffisance cardiaque ou des troubles du rythme.

    Les patients traités par insuline apparaissent comme les plus fragiles :

    • 15,3 % ont été hospitalisés pour complications.
    • Coût annuel moyen : 13 424 €, contre 5 091 € pour les patients sans insuline.

    Ces résultats repositionnent le DT2 comme une pathologie cardiovasculaire à part entière et suggèrent d’intégrer la prévention cardiovasculaire dès le diagnostic.

    Diabète de type 1, des gains liés aux innovations

    Sur la période étudiée, la prise en charge du DT1 évolue sous l’effet des technologies et des traitements.

    L’usage des pompes à insuline progresse de 12,5 % en 2010 à 26,7 % en 2019. Cette diffusion s’accompagne :

    • D’une baisse des hospitalisations d’urgence.
    • D’une amélioration de la qualité de vie.

    Les indicateurs de mortalité évoluent également :

    • Taux de mortalité : de 2,6 % à 1,5 %.
    • Age moyen au décès : +2,7 ans (64,1 à 66,8 ans).

    Le coût moyen par patient diminue de 9,6 % (11 102 € à 10 033 €), en lien avec une réduction des dépenses de soins de ville. Des marges de progression subsistent, notamment sur l’accès aux spécialistes et le respect des examens recommandés.

    Un coût global en hausse, mais une meilleure efficience

    Les dépenses liées au diabète dépassent 30 milliards d’euros en 2019, contre 23 milliards en 2011. Le DT2 représente près de 90 % de ce total. Cette augmentation est principalement liée à la croissance du nombre de patients. En parallèle, le coût moyen par patient diminue :

    • -9,6 % pour le DT1.
    • -7,7 % pour le DT2 traité par insuline.

    Le déséquilibre entre hausse de la prévalence et baisse des coûts unitaires maintient toutefois une pression sur les dépenses globales.

    Vers une médecine du diabète plus anticipative

    L’étude identifie plusieurs axes d’évolution pour le système de santé :

    • Intégrer la prévention cardiovasculaire dès le diagnostic du DT2.
    • Accélérer l’accès aux technologies innovantes.
    • Structurer le suivi pour améliorer l’adhérence aux parcours de soins.
    • Pérenniser l’usage d’algorithmes de classification à l’échelle nationale.

  • Données de santé : un corpus fictif de 6 000 comptes rendus pour entraîner l’IA sans données patients

    PARTAGES publie 6 000 comptes rendus médicaux fictifs en open data

    Le projet PARTAGES publie un corpus de plus de 6 000 comptes rendus médicaux de patients fictifs en open data. Coordonné par la Plateforme des données de santé (Health Data Hub) et réunissant 32 partenaires, ce jeu de données a été entièrement rédigé et validé par des médecins. L’objectif est de répondre à une double contrainte :

    • Garantir la sécurité des données cliniques.
    • Faciliter  le développement de modèles d’IA.

    Les systèmes entraînés sur des données réelles présentent un risque de mémorisation d’informations sensibles, ce qui rend leur partage complexe et limite la disponibilité de corpus ouverts.

    En s’appuyant sur des cas cliniques imaginés, PARTAGES propose une alternative sans données patients, mobilisable sans contrainte réglementaire, en conservant un niveau de réalisme clinique.

    Le corpus résulte d’un appel lancé en avril 2025 auprès d’associations d’internes et de centres hospitalo-universitaires. Il a permis de constituer un panel de 120 médecins couvrant différentes spécialités et territoires.

    Les praticiens ont produit plus de 6 000 comptes rendus à partir de situations fictives. Ce travail s’accompagne d’un encadrement méthodologique, avec des guides de rédaction et de relecture ainsi que des annotations destinées à des cas d’usage spécifiques.

    Ce livrable s’inscrit dans une démarche scientifique formalisée, avec une publication associée : PARHAF, a human-authored corpus of clinical reports for fictitious patients in French. Il a été présenté le 25 mars lors du comité stratégique de mi-parcours du projet.

    9,4 M€ pour structurer des communs numériques en IA santé

    Lauréat de l’appel à projets « Communs numériques pour l’intelligence artificielle générative », PARTAGES bénéficie d’un financement de 9,4 millions d’euros sur deux ans (2025-2027), dans le cadre du plan France 2030 opéré par Bpifrance. Outre le corpus principal, plusieurs livrables sont mis à disposition :

    • Un guide méthodologique de production et de relecture.
    • Des sous-ensembles annotés.
    • Quatre guides d’annotation orientés cas d’usage.
    • Un corpus complémentaire de données médicales ouvertes (articles, notices, cas cliniques) utilisé pour entraîner des modèles de fondation.

    PARTAGES vise 7 modèles spécialisés et une évaluation dans 20 hôpitaux d’ici 2027

    D’ici 2027, PARTAGES prévoit le développement de sept modèles d’IA dédiés à des usages ciblés : codage des informations médicales, résumé automatique de comptes rendus, détection en infectiologie ou encore analyse de la réponse aux traitements en oncologie.

    Les premiers modèles et leurs protocoles d’évaluation doivent être publiés prochainement sur le site de la Plateforme des données de santé.

    En parallèle, une plateforme nationale d’évaluation fédérée est en cours de déploiement. Elle sera testée dans 20 hôpitaux et entrepôts de données de santé hospitaliers, afin d’évaluer les algorithmes sur des données réelles dans un cadre sécurisé.

  • Japon : Fujitsu déploie une plateforme d’IA dans 16 hôpitaux (+10 % de chiffre d’affaires et 400 heures administratives économisées par mois

    Un système hospitalier confronté à un vieillissement hors norme

    Le Japon fait face à un vieillissement structurel de sa population. Les plus de 65 ans représentent déjà 29,1 % de la population, soit 36 millions de personnes, et cette part devrait dépasser 35 % en 2040.

    Cette évolution pèse sur l’organisation des soins. Le pays compte 8 200 hôpitaux et 1,5 million de lits, soit le parc hospitalier le plus étendu de l’OCDE. Dans ce système, 60 % des hospitalisations concernent des patients âgés. La durée moyenne de séjour atteint 28 jours, contre 8 jours en moyenne dans l’OCDE.

    À cette pression démographique s’ajoute une tension sur les effectifs. Le déficit est estimé à 40 000 médecins et 200 000 infirmiers d’ici 2030. Dans le même temps, entre 30 % et 50 % du temps médical est absorbé par des tâches administratives.

    Fujitsu déploie une plateforme d’IA hospitalière à Nagasaki

    Dans ce contexte, Fujitsu déploie une solution d’intelligence artificielle dans 16 établissements du groupe Social Medical Corporation Genshukai, à Nagasaki. L’objectif est triple : réduire les coûts, améliorer le pilotage de l’activité et optimiser l’usage des ressources humaines.

    Le programme repose sur une architecture hybride, présentée comme une plateforme hospitalière « data-driven ». Elle agrège les données issues des dossiers patients informatisés, des systèmes financiers et des outils administratifs. Un moteur d’analyse permet de prévoir les revenus, de repérer des inefficiences et d’améliorer le codage médical. La plateforme comprend aussi un volet d’automatisation, utilisé pour la production de documents cliniques, la facturation et le codage des actes. Enfin, une interface décisionnelle donne accès à des tableaux de bord en temps réel et à des indicateurs de performance.

    Les premiers résultats en conditions réelles indiquent :

    • +10 % de chiffre d’affaires hospitalier
    • −400 heures/mois de tâches administratives
    • amélioration du codage et de la facturation (fiabilité accrue)
    • optimisation de l’allocation des ressources hospitalières

    L’entreprise rapporte une amélioration du codage et de la facturation avec une fiabilité renforcée, ainsi qu’une optimisation de l’allocation des ressources hospitalières.

    Une perspective de déploiement élargi dès 2026

    Ce programme d’IA de gestion hospitalière, combinant data analytics et automatisation, a été distingué par le Forum économique mondial 2026, ouvrant la voie à un déploiement élargi au Japon dès 2026.

  • AMI lève 1,03 milliard de dollars pour développer des « world models » appliqués à la santé, en partenariat avec Nabla

    Un nouveau modèle d’IA pour dépasser les limites des LLM

    Advanced Machine Intelligence (AMI) vient d’annoncer une levée de fonds de 1,03 milliard de dollars destinée à accélérer le développement de « world models », une nouvelle classe de systèmes d’intelligence artificielle. Contrairement aux grands modèles de langage (LLM), ces architectures ne se limitent pas à la prédiction textuelle : elles apprennent à représenter et simuler le fonctionnement d’environnements complexes et dynamiques.

    Dans le cadre de son partenariat exclusif avec AMI, la société française Nabla bénéficiera d’un accès anticipé à ces technologies. L’objectif : concevoir des systèmes d’IA plus sûrs, traçables et capables d’assister les professionnels de santé dans des contextes réels.

    Comprendre l’environnement clinique, pas seulement le langage

    Les LLM ont déjà trouvé leur place dans le milieu médical, automatisant la documentation, l’analyse sémantique et la récupération d’informations. Mais leurs limites apparaissent dès que la logique probabiliste atteint ses bornes : incapacité à raisonner de façon déterministe, difficulté à exploiter des données multimodales continues ou à anticiper l’évolution de situations cliniques.

    Les « world models », cherchent à modéliser les interactions entre les variables d’un environnement  pour simuler leurs conséquences dans le temps. En santé, où les décisions cliniques s’inscrivent dans des chaînes d’actions interdépendantes, cette approche pourrait transformer la manière dont les outils d’IA accompagnent les soignants.

    Vers des systèmes agentiques en santé

    Le programme de recherche d’AMI repose sur quatre axes : mémoire persistante, raisonnement contextuel, planification sous contraintes réelles, et contrôle de la sécurité. Intégrée dans l’écosystème Nabla, cette approche doit permettre le développement d’une IA dite « agentique », capable de réaliser certaines actions dans un flux de travail clinique défini, tout en restant auditable.

    Parmi les avancées visées :

    • prise de décision déterministe et vérifiable ;
    • raisonnement par simulation, incluant des analyses de type « what if » ;
    • traitement de signaux médicaux variés (audio, imagerie, données physiologiques) ;
    • compatibilité avec les exigences réglementaires des systèmes autonomes.

    Accélérer l’adoption clinique et interspécialités

    La diversité des pratiques médicales reste un frein à la généralisation de l’IA : le système de santé américain compte plus de 40 spécialités et 130 sous-spécialités, avec des workflows distincts. Les outils actuels se concentrent surtout sur la documentation en soins primaires, santé mentale ou urgences, où Nabla a démontré, selon une étude publiée dans NEJM AI, une réduction du temps de saisie et de la charge cognitive.

    Les « world models » pourraient faciliter le passage à d’autres disciplines en apprenant des représentations plus efficaces des environnements médicaux spécialisés, rendant les systèmes plus robustes et adaptables.

    Une vision commune pour l’IA clinique

    Selon Alexandre Lebrun, Delphine Groll et Martin Raison, cofondateurs de Nabla, l’ambition reste la même : intégrer des systèmes d’IA fiables dans la pratique médicale quotidienne, en co-création avec les soignants et les établissements. Leur assistant d’IA ambiante est déjà utilisé dans plusieurs centaines de structures pour la transcription automatique, la rédaction des notes cliniques et le codage en temps réel.

    Avec AMI, Nabla prépare la prochaine étape : rapprocher l’IA des réalités opérationnelles du soin, sans se limiter aux capacités linguistiques. L’enjeu, à moyen terme, est de doter le secteur de solutions computationnelles capables de comprendre non seulement le langage médical, mais aussi les mécanismes concrets du travail clinique.

     

  • LLM en médecine clinique : 4 609 études recensées depuis 2022, mais seulement 19 essais randomisés sur données réelles

    Depuis la mise à disposition publique de ChatGPT en novembre 2022, les grands modèles de langage se sont imposés comme objet de recherche à part entière en médecine clinique. Réponse aux questions de patients, synthèse de notes cliniques, aide à la décision, documentation, formation médicale : les cas d’usage étudiés se sont multipliés à un rythme soutenu.

    Une littérature en forte croissance depuis la sortie de ChatGPT

    Dans ce contexte, une équipe de chercheurs a entrepris de cartographier cette littérature. Leur article, publié dans Nature Medicine, repose sur une revue systématique assistée par LLM qui couvre les publications parues entre le 1er janvier 2022 et le 6 septembre 2025.

    4 609 études retenues

    Les auteurs ont interrogé PubMed, Embase et Scopus avec des requêtes portant sur les termes “large language model”, “LLM”, “GPT”, “ChatGPT”, “LLaMA”, “Claude”, “Gemini” et “Bard”. Au total, 23 614 enregistrements ont été repérés, puis ramenés à 12 894 études uniques après déduplication.

    Face à ce volume, l’équipe a mis en place un pipeline automatisé fondé sur GPT-5, utilisé pour filtrer les études, les classer selon un niveau de preuve, puis extraire des métadonnées à partir des titres et résumés. Ce tri automatisé a été validé sur un sous-échantillon relu par des examinateurs humains. Les auteurs rapportent une bonne concordance entre l’outil et les décisions humaines, aussi bien pour l’inclusion que pour le classement par niveau de preuve.

    Au final, 4 609 études ont été retenues. Le modèle statistique des auteurs estime que le nombre “réel” d’études répondant aux critères d’inclusion sur la période se situe autour de 4 361, soit environ 3,2 publications par jour.

    Des preuves encore concentrées sur les simulations et les examens

    Moins d’un quart des études sur les LLM reposent sur des données réelles

    L’enseignement principal de l’étude tient à la structure même de cette littérature. Sur les 4 609 travaux inclus, seuls 1 048 portent sur des données cliniques réelles. Et parmi eux, seulement 19 correspondent à de véritables essais prospectifs randomisés.

    Les auteurs distinguent quatre niveaux de preuve :

    • Le niveau le plus élevé correspond aux évaluations prospectives randomisées en conditions réelles de soins.
    • Viennent ensuite les études sur données cliniques réelles, rétrospectives ou prospectives,
    • Puis les travaux reposant sur des scénarios simulés ou des données synthétiques,
    • Et enfin les évaluations de type examens, QCM ou cas cliniques à réponse attendue.

    Dans les faits, la littérature reste largement dominée par les études de simulation et les tâches académiques. Les auteurs estiment à 1 857 le nombre de travaux de niveau intermédiaire fondés sur des scénarios simulés, et à 1 704 ceux relevant surtout d’examens ou d’épreuves de connaissances. Autrement dit, plus des trois quarts des études recensées n’analysent pas des situations de soins réelles.

    Cette lecture est renforcée par la taille des échantillons. L’étude détecte une taille d’échantillon dans 3 289 résumés. Parmi eux, un quart des travaux portent sur moins de 20 cas, et au moins 25 % de l’ensemble des études incluses ont un échantillon inférieur à 30.

    OpenAI domine très largement les modèles évalués

    L’autre enseignement tient à la concentration des évaluations sur un petit nombre d’acteurs. Les modèles d’OpenAI, dont ChatGPT, représentent 65,7 % des modèles étudiés. Gemini et Bard, de Google, arrivent loin derrière avec 13,1 %.

    Les modèles ouverts restent minoritaires. Les auteurs relèvent que 87,7 % des modèles évalués sont fermés. Ils soulignent aussi le faible nombre d’études portant sur certains assistants déjà présents dans les usages quotidiens, comme Google Assistant ou Alexa, alors même qu’ils peuvent être sollicités par le grand public pour des questions de santé.

    Pour les chercheurs, ce biais en faveur des modèles propriétaires pose un problème de reproductibilité. Ils insistent sur la nécessité d’évaluer davantage les modèles open source, dont le comportement peut rester vérifiable dans le temps, contrairement à des services fermés susceptibles d’évoluer ou de disparaître.

    Communication patient, questions-réponses et formation en tête des usages étudiés

    En moyenne, chaque étude analyse 1,93 tâche.

    • Les usages les plus fréquents relèvent de la communication et de l’éducation destinées aux patients, qui représentent 17,4 % des tâches recensées.
    • Viennent ensuite la recherche de connaissances et les questions-réponses cliniques, puis l’éducation, l’évaluation et la simulation.
    • Les travaux sur le raisonnement diagnostique et la détection de maladie arrivent derrière.
    • Suivis par les usages liés à la gestion clinique et à l’organisation du travail.
    • Côté jeux de données, les questions d’examen et d’autoévaluation des cliniciens restent les plus fréquentes, devant les FAQ patients, les vignettes cliniques, les recommandations professionnelles, l’imagerie et les dossiers de santé électroniques.

    Les auteurs notent aussi un problème de reproductibilité des données : parmi les jeux de données dont l’accessibilité a pu être déterminée, moins de la moitié sont en accès ouvert.

    Une répartition inégale selon les spécialités

    L’analyse met en évidence une concentration des travaux sur quelques disciplines. La médecine interne est la spécialité la plus souvent représentée, devant la radiologie, la médecine préventive, la chirurgie orthopédique et la médecine de famille.

    Dans les spécialités chirurgicales, l’orthopédie arrive largement en tête, suivie par l’ORL, l’urologie, la chirurgie générale et la chirurgie plastique. En médecine interne, l’oncologie, la cardiologie, la médecine du sommeil, la gastroentérologie et les maladies infectieuses dominent.

    Les auteurs y voient un déséquilibre de la littérature plutôt qu’un reflet des besoins cliniques. Ils estiment que de nombreuses disciplines restent peu explorées, alors qu’elles pourraient constituer des terrains d’évaluation utiles pour les usages futurs des LLM.

    Des performances très dépendantes du contexte

    L’étude a recensé 1 046 travaux dans lesquels l’issue de la comparaison entre LLM et experts humains pouvait être déterminée à partir du résumé. Dans 33 % des cas, le modèle surpasse l’humain ; dans 64,5 %, il fait moins bien ; dans 2,5 %, les résultats sont mixtes.

    Mais cette moyenne masque de fortes variations. Les LLM surpassent plus souvent les humains dans les études de bas niveau de preuve, en particulier lorsqu’il s’agit de tâches de restitution de connaissances ou d’examens standardisés. Leur taux de surperformance est nettement plus faible dans les études fondées sur des données réelles.

    Autre constat,  le résultat dépend du niveau d’expertise de la personne comparée. Les modèles surpassent moins souvent les médecins seniors que les médecins moins expérimentés ou les étudiants. Les auteurs en tirent une recommandation méthodologique claire :

    un modèle doit être comparé à l’expert réellement compétent pour la tâche étudiée, et non à un clinicien générique ou à un professionnel en formation lorsque cela n’est pas justifié.

    Les auteurs soulignent que le rythme de publication des essais randomisés demeure faible, malgré la croissance générale du champ.

    Les recommandations des auteurs pour la suite

    Au-delà du constat bibliométrique, l’article propose une trajectoire pour produire des preuves plus utiles à la décision clinique.

    • Première recommandation : ne pas s’arrêter aux performances sur examens, cas fictifs ou jeux de données synthétiques. Les auteurs plaident pour une progression par étapes, depuis les évaluations de capacité et de simulation jusqu’aux études sur données réelles, puis aux essais randomisés en conditions de soins.
    • Deuxième recommandation : augmenter la taille des échantillons et améliorer la qualité méthodologique des travaux. Les auteurs rappellent que les petits effectifs restent fréquents, ce qui limite la portée des conclusions.
    • Troisième recommandation : comparer les modèles aux bons experts humains, c’est-à-dire aux professionnels dont le niveau de qualification correspond exactement à la tâche clinique testée.
    • Quatrième recommandation : développer des modèles open source et des jeux de données ouverts lorsque cela est possible, afin de renforcer la reproductibilité, l’examen par les pairs et la capacité de réutilisation des travaux.

    Enfin, les auteurs appellent à des études plus ancrées dans les usages réels, sur des données cliniques représentatives et dans des spécialités aujourd’hui moins couvertes.

    Une littérature abondante mais encore peu décisive pour l’adoption clinique

    La revue met ainsi en évidence un paradoxe. La recherche sur les LLM en médecine clinique progresse à un rythme soutenu, mais la base de preuves directement utile pour l’adoption en pratique reste limitée. Les modèles donnent des résultats solides dans des contextes académiques ou simulés, mais les données prospectives, comparatives et centrées sur le patient restent rares.

    La dynamique de publication ne suffit pas à documenter une utilité clinique. Avant une diffusion plus large dans les parcours de soins, les auteurs estiment que le champ doit produire davantage d’études prospectives sur données réelles, puis passer à des essais randomisés de plus grande ampleur.

    LLM-assisted systematic review of large language models in clinical medicine

  • AP-HP : une feuille de route numérique 2026–2030 pour industrialiser la transformation à grande échelle

    Passer d’une logique de projets à une logique de plateforme

    La stratégie part d’un constat clair : le numérique est déjà profondément ancré dans les activités de l’AP-HP. Les soins, l’enseignement et la recherche reposent sur plusieurs centaines d’outils — dossier patient informatisé, solutions de recherche clinique, applications RH et financières.

    Cette densité s’appuie sur une infrastructure conséquente : 70 000 postes de travail, deux datacenters, un réseau interne dédié et un entrepôt de données de santé (EDS). Pour les décideurs, l’enjeu et de maîtriser la complexité, en améliorant la cohérence et l’intégration d’un système déjà très étendu.

    Des projets structurants pour transformer en profondeur les usages :

    La feuille de route identifie plusieurs projets qui traduisent un changement d’échelle.

    Le déploiement du DPI de nouvelle génération Care 4U constitue un pivot majeur. Il s’agit d’un levier pour repenser les usages cliniques et améliorer la continuité des parcours.

    D’autres projets ciblent des fonctions critiques du fonctionnement hospitalier :

    • un outil professionnel de gestion des lits, pour fluidifier les parcours et mieux piloter les capacités,
    • une intégration renforcée entre le DPI et les outils de recherche clinique, afin de décloisonner soins et recherche,
    • la consolidation des services numériques RH,
    • et la modernisation des systèmes économiques et financiers.

    L’ensemble traduit une volonté d’aligner le numérique sur les enjeux opérationnels du terrain.

    La donnée comme pivot de la stratégie :

    La feuille de route place explicitement la donnée au centre. L’objectif est de mieux exploiter les capacités de l’EDS et de renforcer les liens entre production de soins, pilotage et recherche.

    Ce positionnement s’inscrit dans une évolution plus large du système de santé : la donnée devient un levier structurant de transformation, notamment dans les perspectives d’intelligence artificielle et de médecine personnalisée.

    Une stratégie structurée en sept dimensions

    Pour éviter une logique de catalogue, l’AP-HP structure sa feuille de route autour de sept dimensions, qui organisent l’ensemble des projets :

    • centralité de la donnée,
    • implication accrue des patients et des professionnels,
    • clarification des principes du système d’information,
    • prise en compte des contraintes externes (réglementaires, techniques),
    • capacité à passer à l’échelle,
    • et mobilisation de leviers opérationnels de transformation.

    Ce cadrage traduit une approche systémique du numérique, pensée comme une transformation organisationnelle globale.

    Une transformation à piloter dans la durée

    Avec plus de 300 projets identifiés, la feuille de route pose également la question du pilotage.

    L’enjeu pour l’AP-HP sera de prioriser, coordonner et industrialiser ces initiatives, afin d’éviter l’effet catalogue et de garantir des impacts mesurables sur les parcours de soins et l’organisation hospitalière. Au-delà du cas de l’AP-HP, cette stratégie illustre une tendance de fond du système de santé : le passage d’un numérique d’appoint à un numérique structurant, au cœur des modèles de soins de demain.

  • Note aux abonnés : Data & évaluation, prochain dîner du Think Tank avec le Pr. Lionel Collet, HAS (14/04)

    Chers abonnés,

    Le Dîner du Think Tank Health & Tech se tiendra le mardi 14 avril 2026 à partir de 19h00 au Restaurant Acte III, Port Royal, Paris.

    Nous fêterons nos 15 ans d’existence et aurons le plaisir d’accueillir le Pr Lionel Collet, Président de la Haute Autorité de Santé, sur le sujet :

    « Data et IA : surmonter les barrières à l’évaluation des innovations en santé » en présence également de l’AIS et du HDH.

    Nous aurons également le plaisir de remercier Anne-Marie Armanteras pour la présidence du Think Tank pendant plus de 3 années, ponctuée de travaux décisifs sur la prévention et le numérique, et d’accueillir le Pr Olivier Guérin, Président du CNP de Gériatrie, et Président du conseil scientifique et éthique de Future4Care.

    Les places pour ce dîner sont strictement limitées.

    Nous vous invitons à confirmer votre présence dès que possible via ce lien d’inscription, réservé à nos membres : https://evenium.events/ttk14avril?discountCode=hti26  (gratuit pour les abonnés Health&Tech).

     

  • Waiv lève 30 M€ pour l’oncologie par IA



    Waiv lève 30 M€ pour l’oncologie par IA

    Publié le vendredi 27 mars 2026 à 15h58

    Spin-out d’Owkin, Waiv lève 30 M€ pour industrialiser des tests d’oncologie par IA. La start-up développe des outils de pathologie numérique combinant données cliniques et biologiques pour améliorer le diagnostic, la stratification des patients et l’orientation thérapeutique en médecine de précision.

  • US : l’interopérabilité de l’imagerie face aux tensions hospitalières et territoriales

    La pression financière conduit à la pression clinique

    Aux États-Unis, plusieurs hôpitaux ruraux sont aujourd’hui menacés de fermeture, que plus de 450 établissements présentent un risque élevé. En vingt ans, 195 établissements ont cessé leur activité et plus de 1 000 ont réduit leurs services d’hospitalisation.

    Cette fragilisation s’inscrit dans un contexte de baisse de couverture santé. Depuis 2023, la fin de la couverture continue de Medicaid a conduit à la sortie de plus de 25 millions de personnes du dispositif. Une partie de ces patients connaît des interruptions d’assurance liées à des variations de revenus, ce qui génère mécaniquement des ruptures de suivi.

    En conséquence de quoi, les patients :

    • Retardent les soins préventifs.
    • Consultent tardivement.
    • Arrivent aux urgences avec des pathologies à un stade avancé.

    Les structures rurales, déjà contraintes en ressources humaines et financières, doivent alors prendre en charge des cas complexes, comme des cancers avancés ou des maladies cardiovasculaires décompensées.

    Une fragmentation qui multiplie les examens et les transferts

    Le fonctionnement en silo des systèmes d’information accentue ces difficultés. Dans les territoires ruraux, un patient peut passer par plusieurs structures (centre de proximité, établissement régional, suivi local) avec des images médicales stockées dans différents systèmes PACS non interopérables.

    Cette fragmentation entraîne deux conséquences principales :

    • Répétition des examens : faute d’accès aux images antérieures, les patients sont à nouveau exposés à des examens, avec un coût et un impact clinique.
    • Transferts évitables : en l’absence de visibilité sur l’historique ou d’avis spécialisé rapide, les médecins privilégient le transfert vers des centres urbains.

    “L’imagerie interopérable” pour éclairer la décision clinique

    Les solutions d’interopérabilité permettent d’agréger les données issues de multiples sources et de restituer une vision longitudinale du patient. L’accès aux examens antérieurs (comme les échocardiographies, imageries vasculaires,) permet d’évaluer l’évolution d’une pathologie plutôt que de raisonner à partir d’un seul examen. Cette approche améliore la prise de décision. Et l’interopérabilité facilite l’intégration de réseaux de lecture à distance. En unifiant les environnements PACS au sein de listes de travail partagées, les établissements peuvent :

    • Orienter les examens vers des spécialistes à distance.
    • Augmenter leur volume d’activité sans recruter.
    • Réduire les délais d’interprétation.

    Un cas neurologique complexe peut ainsi être interprété en quelques minutes par un neuroradiologue situé dans un centre urbain, avec un impact direct sur la prise en charge.

    Le partage en temps réel des images permet également d’éviter certains transferts. Lorsqu’un spécialiste valide à distance la possibilité d’une prise en charge locale, le patient reste dans son environnement, ce qui présente un double effet : maintien des revenus pour l’établissement et amélioration de l’expérience patient en limitant les déplacements.

    Une transformation sans remplacement des systèmes existants

    Les solutions actuelles reposent sur des plateformes dites « vendor-neutral », capables de s’intégrer aux infrastructures existantes sans nécessiter de remplacement complet des systèmes.

    Un système vendor-neutral est une solution qui permet à des logiciels ou équipements de différents fournisseurs de fonctionner ensemble, sans dépendre d’un seul éditeur. En santé, il sert surtout à connecter plusieurs systèmes d’imagerie (PACS) pour partager les données sans remplacer les outils existants.

    Ces architectures permettent aux hôpitaux ruraux de :

    • Etendre leur offre (imagerie avancée avec appui distant) ;
    • Réduire les erreurs diagnostiques grâce à l’accès aux historiques ;
    • Anticiper les modèles de financement à la valeur, en limitant les actes redondants.

    Vers une réduction des inégalités territoriales

    Au-delà des contraintes structurelles (pénurie de professionnels, couverture incomplète, tensions financières, l’interopérabilité de l’imagerie contribue à réduire les écarts d’accès au diagnostic entre territoires, en dissociant la localisation du patient de celle de l’expertise médicale.

    France : des tensions structurelles comparables

    En France, bien que le système d’assurance maladie diffère, le renoncement aux soins est réel, notamment pour des raisons d’accès territorial (déserts médicaux) ou de reste à charge.

    Des pressions financières s’exercent sur les établissements. De nombreux hôpitaux de proximité présentent des déficits récurrents, avec des tensions sur les capacités d’investissement et de recrutement. Les fermetures sont plus rares, mais les restructurations (fermetures de lits, transformation en centres de soins non programmés) traduisent une fragilisation comparable.

    Malgré les politiques nationales en faveur de l’interopérabilité, les systèmes d’information hospitaliers restent hétérogènes. Les solutions d’imagerie (PACS, RIS) varient selon les établissements et ne sont pas toujours interconnectées de manière fluide.

    Conséquences similaires :

    • Examens redondants, en l’absence d’accès rapide aux images antérieures.
    • Transferts vers des centres hospitaliers universitaires (CHU), parfois par défaut plus que par nécessité médicale.
    • Perte de temps médical liée à la recherche ou à la reconstitution des données.

    Pour y répondre, La France déploie plusieurs dispositifs pour renforcer l’interopérabilité des données de santé, notamment via le Ségur du numérique, le DMP, Mon espace santé et des plateformes régionales d’imagerie, avec un déploiement encore hétérogène.

    La téléradiologie s’impose comme une réponse au manque de spécialistes, mais son efficacité reste conditionnée à la capacité des systèmes à échanger les données.

    En parallèle, les architectures « vendor-neutral » se développent pour mutualiser les images à l’échelle territoriale et soutenir l’accès au diagnostic dans les zones sous-dotées.

  • Dedalus et Inovie : un partenariat de 5 ans pour industrialiser en SaaS la suite InVitro dans les laboratoires

    Dedalus et le groupe Inovie annoncent le renouvellement de leur partenariat pour une durée de cinq ans, avec pour objectif le déploiement à grande échelle de la suite Dedalus InVitro en mode SaaS.

    Positionné sur la numérisation des laboratoires de biologie médicale, Dedalus accompagne Inovie, acteur du diagnostic médical en France, dans la poursuite de sa transformation numérique.

    La suite Dedalus InVitro est un système d’information convergé, conçu pour répondre aux enjeux de performance, de standardisation et d’efficacité des laboratoires et plateaux techniques.

    Pensée comme une solution unifiée, modulaire et évolutive, elle couvre plusieurs domaines comme la biologie médicale, la génétique et l’anatomopathologie.

    Une plateforme couvrant l’ensemble des activités de laboratoire

    Le déploiement au sein des laboratoires d’Inovie repose sur un ensemble de briques fonctionnelles :

    • Serveurs de résultats (InVitro Results Server, InVitro Patient Portal).
    • Gestion de la qualité et des processus d’accréditation via KaliLab.
    • Gestion administrative patient, facturation et comptabilité.
    • Outils de pilotage décisionnel.

    Cette couverture est conçue pour s’adapter aux besoins spécifiques des différents sites.

    La solution s’appuie sur de nombreux connecteurs et intègre nativement le standard FHIR, pour faciliter son insertion dans les systèmes d’information de santé existants. Cette capacité d’intégration fluidifie les échanges de données entre les acteurs du parcours de soins.

    L’architecture d’InVitro repose sur un socle central, InVitro LIS, autour duquel s’articulent des modules autonomes. Cette organisation garantit :

    • Une cohérence globale du système.
    • Une sécurité des données.
    • Une adaptabilité aux configurations locales.

    Elle permet également d’envisager des déploiements homogènes à grande échelle en conservant une flexibilité opérationnelle.

    Ce partenariat s’inscrit dans une volonté de “renforcer la performance et la fluidité des systèmes d’information”.

    Guillem Pelissier, directeur général de Dedalus France, souligne que ce partenariat va “garantir des déploiements efficaces et des résultats optimisés sur tous les sites”

    Le déploiement de la suite InVitro montre la convergence des systèmes d’information de laboratoire vers des plateformes intégrées, interopérables et opérées en mode SaaS.