Articles

  • 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.

  • AI Act : Parlement et Conseil convergent vers un report des obligations et un durcissement ciblé 

     

    @Health & Tech Intelligence

    Report à décembre 2027 pour les systèmes à haut risque, watermarking avancé à 2026

    Le Parlement européen acte un report partiel de l’entrée en application du règlement sur l’IA, en réponse à l’absence de standards techniques finalisés (notamment concernant certaines obligations applicables aux systèmes à haut risque) à l’échéance initiale du 2 août 2026.

    Les eurodéputés proposent donc un calendrier stabilisé :

    • 2 décembre 2027 pour les systèmes à haut risque.
    • 2 août 2028 pour les systèmes relevant de législations sectorielles.

    En parallèle, ils réduisent le délai de mise en conformité pour les obligations de watermarking, fixé au 2 novembre 2026. Pour rappel, le watermarking consiste à intégrer une marque visible ou invisible dans un contenu pour indiquer qu’il a été généré ou modifié par une IA. Dans l’AI Act, il vise à garantir la transparence et à limiter les risques de désinformation ou de fraude liés aux contenus artificiels.

    Le texte introduit également une interdiction ciblée des systèmes dits de « nudification », capables de générer ou manipuler des contenus sexuels réalistes sans consentement, sauf en présence de garde-fous effectifs.

    Enfin, les mesures de soutien sont étendues aux entreprises de taille intermédiaire, au-delà des seules PME.

    Une position du Conseil alignée sur la Commission, et enrichie de plusieurs mesures

    Le Conseil de l’Union européenne a adopté sa propre position en reprenant l’architecture générale de la proposition de la Commission, mais en y ajoutant plusieurs dispositions, comme :

    • Interdiction des systèmes générant des contenus sexuels non consentis ou des contenus pédopornographiques.
    • Réintroduction de l’obligation d’enregistrement des fournisseurs dans la base de données européenne, y compris pour certains systèmes exemptés de la qualification « haut risque ».
    • Report à décembre 2027 de la mise en place des bacs à sable réglementaires.

    Le texte précise également les compétences du futur AI Office, notamment pour la supervision des systèmes fondés sur des modèles d’IA à usage général développés par un même acteur. La Commission est par ailleurs chargée de produire des lignes directrices pour accompagner les acteurs soumis à des réglementations sectorielles, afin de limiter la charge de conformité.

    Accord sur le calendrier, mais désaccords sur le niveau d’obligations et de simplification

    Le vote en séance plénière du Parlement ouvre la voie aux négociations avec le Conseil. Si les deux institutions convergent sur le calendrier, des divergences subsistent donc sur :

    • Le niveau de simplification.
    • Le périmètre des obligations.
    • L’équilibre entre innovation et protection.

    Des risques liés à l’IA autonome sont identifiés mais les États restent réticents à légiférer davantage

    En parallèle des négociations, plusieurs analyses pointent un décalage entre le texte et les évolutions technologiques récentes. Les systèmes d’IA dits « agents », capables d’agir de manière autonome sans interaction constante avec l’utilisateur, posent de nouvelles questions réglementaires.

    Certains cas ont illustré ces risques, notamment des agents ayant réalisé des actions non autorisées dans des environnements open source. Le cadre actuel, conçu avant l’émergence de ces usages, pourrait ne pas couvrir pleinement ces systèmes. Si la Commission estime qu’ils entrent dans le périmètre existant, des discussions émergent sur la nécessité de règles spécifiques.

    Toutefois, plusieurs États membres s’opposent à l’introduction de nouvelles obligations, évoquant une fatigue réglementaire et privilégiant des approches non contraignantes.

    Une gouvernance hybride encore incomplète

    L’application de l’AI Act repose sur un modèle de gouvernance partagé entre États membres et Commission européenne. Les systèmes à haut risque relèvent principalement d’une supervision nationale, tandis que les modèles d’IA à usage général sont encadrés au niveau européen. Chaque État doit désigner deux autorités :

    • Une autorité de notification.
    • Une autorité de surveillance du marché.

    Or, malgré une échéance fixée à août 2025, plusieurs États accusent des retards.

    Au niveau européen, quatre structures doivent soutenir la mise en œuvre :

    • Un AI Office chargé de l’application des règles relatives aux modèles généraux.
    • Un European AI Board pour coordonner les autorités nationales.
    • Un panel scientifique d’experts.
    • Un forum consultatif réunissant industriels, chercheurs et société civile

    Aussi, ce modèle décentralisé pourrait entraîner des disparités d’application entre pays.

  • US : la santé numérique en gastroentérologie génère jusqu’à 2 901 $ d’économies par patient

    Deux modèles de solutions numériques évalués

    Selon le Peterson Health Technology Institute, les dispositifs numériques en gastroentérologie réduisent les dépenses annuelles de 1 889 à 2 901 $ par patient aux US, tout en améliorant les symptômes des patients atteints de syndrome de l’intestin irritable et de maladies inflammatoires chroniques.

    L’institut a analysé l’impact clinique et économique des solutions digitales en gastroentérologie, en s’appuyant sur des entretiens patients et une revue des données disponibles. Deux catégories ont été étudiées :

    • Solutions “wraparound” : programmes complémentaires intégrant conseils nutritionnels, accompagnement comportemental et suivi des symptômes.
    • Solutions pilotées par des cliniciens : dispositifs intégrant gastroentérologues et équipes pluridisciplinaires.

    L’évaluation a été menée avec des experts en gastroentérologie, en économie de la santé et en évaluation des technologies de santé.

    Des résultats qui varient fortement selon les approches

    Les résultats montrent une efficacité différenciée selon les cas :

    • Les solutions wraparound améliorent les symptômes et la qualité de vie des patients atteints de syndrome de l’intestin irritable (IBS), mais sans bénéfice démontré pour les maladies inflammatoires chroniques de l’intestin (IBD) seules.
    • Les solutions pilotées par des cliniciens améliorent les résultats pour les patients IBS et IBD.

    Les pathologies digestives concernent environ un adulte sur cinq aux États-Unis et représentent 112 milliards de dollars de dépenses annuelles.

    Jusqu’à 2 900 $ économisés par patient

    L’analyse met en évidence des économies nettes :

    • 1 889 $ par patient et par an pour les solutions wraparound chez les patients IBS.
    • 2 901 $ en moyenne par utilisateur pour les solutions intégrées avec cliniciens, notamment pour les cas modérés à sévères d’IBD et les IBS.

    Il s’agit du premier cas où des solutions numériques combinent amélioration clinique et économies de plusieurs milliers de dollars, dépassant les gains observés dans d’autres domaines comme l’hypertension ou les troubles musculosquelettiques.

    Le rapport met en lumière plusieurs implications selon les acteurs. Pour les acheteurs, l’enjeu est d’arbitrer entre des solutions plus accessibles mais limitées, comme les approches “wraparound” ou IBS, et des dispositifs plus complets, souvent plus coûteux, qui intègrent davantage de supervision clinique (notamment pour IBS et IBD).

    Pour les entreprises de santé numérique, le défi est de renforcer le niveau de preuve, à la fois clinique et économique, et faire évoluer leurs modèles vers une tarification davantage alignée sur les résultats à long terme plutôt que sur une logique d’engagement ponctuel.

    Des limites sur les données à long terme

    Le PHTI souligne toutefois plusieurs limites :

    • Durée de suivi encore courte dans les études disponibles.
    • Manque de données sur les populations diverses.
    • Incertitudes sur l’efficacité selon les stades de la maladie.

    L’institut appelle à produire des données en conditions réelles et à démontrer des résultats durables.

    Cette évaluation marque une évolution dans l’analyse des solutions digitales : la démonstration d’un impact simultané sur les résultats cliniques et les coûts devient un critère déterminant. Elle s’inscrit dans une tendance plus large où la preuve d’efficacité et la mesure de la valeur économique sont nécessaires.

  • Data : un nouveau décret pour renforcer la sécurité de l’hébergement des données de santé (2026-209)

    Un ajustement du cadre HDS dans un contexte de montée des exigences

    Le décret modifie plusieurs dispositions réglementaires relatives à l’hébergement des données de santé, en cohérence avec les évolutions récentes du référentiel HDS et des exigences européennes.

    Historiquement, ce cadre repose sur une obligation structurante : toute donnée de santé externalisée doit être hébergée par un acteur certifié, garantissant des standards élevés en matière de sécurité, de traçabilité et de gestion des accès. Le nouveau décret vient préciser et compléter ce cadre, dans un contexte marqué par :

    • la montée en puissance des architectures cloud,
    • les enjeux de souveraineté numérique,
    • et l’intensification des risques cyber sur les systèmes de santé.

    Une clarification des périmètres et des responsabilités :

    L’un des apports du décret réside dans la clarification du périmètre des activités relevant de l’hébergement de données de santé. Cela concerne notamment les situations où des acteurs manipulent ou stockent des données pour le compte de tiers, y compris dans des architectures techniques plus complexes (cloud, infogérance, archivage).

    Le texte renforce également la lisibilité des responsabilités entre les responsables de traitement (établissements, éditeurs, professionnels de santé) et les hébergeurs certifiés, qui doivent répondre à des exigences précises en matière de sécurité et de conformité. Cette clarification répond à un enjeu opérationnel majeur : sécuriser les chaînes de traitement de données de plus en plus distribuées dans l’écosystème numérique en santé.

    Une convergence avec les exigences de souveraineté et de sécurité

    Le décret s’inscrit dans une trajectoire plus large de renforcement des exigences autour de l’hébergement des données sensibles. Le référentiel HDS a été significativement renforcé depuis 2023, avec un alignement sur les standards ISO, un encadrement accru des architectures cloud et de la sous-traitance, ainsi qu’un renforcement des exigences opérationnelles en matière de sécurité et de résilience.

    Par exemple, les nouvelles exigences introduisent des garanties renforcées concernant l’hébergement au sein de l’Espace économique européen, afin de mieux protéger les données contre les risques d’accès extra-territorial.

    Ce mouvement traduit une volonté des pouvoirs publics de mieux articuler cybersécurité, souveraineté et conformité réglementaire, dans un contexte de dépendance accrue aux infrastructures cloud.

    Un signal pour l’ensemble des acteurs du numérique en santé :

    Au-delà des ajustements juridiques, ce décret envoie un signal structurant à l’ensemble des acteurs du numérique en santé :

    • pour les éditeurs, les industriels et les établissements, il confirme que l’hébergement des données de santé n’est plus seulement une contrainte réglementaire, mais un élément central de la confiance numérique ;
    • pour les hébergeurs, il renforce la nécessité de s’aligner sur des standards élevés, dans un marché de plus en plus concurrentiel et stratégique ;
    • pour les pouvoirs publics, il marque une étape supplémentaire dans la construction d’un cadre cohérent, capable de soutenir le développement des usages numériques tout en garantissant la protection des données de santé.

    Dans un contexte de généralisation des données et de l’intelligence artificielle en santé, l’enjeu est désormais de faire du cadre HDS un socle robuste pour l’innovation, sans compromis sur la sécurité et la confiance.

  • Étude : apprendre à douter améliore la fiabilité des IA médicales (BMJ)

    Publiés dans BMJ Health & Care Informatics le 23 mars 2026, ces travaux* ouvrent la voie à des IA plus collaboratives avec les soignants.

    Une IA médicale peut se tromper… mais avec assurance. Et c’est bien là le problème.

    Une recommandation erronée, mais formulée avec aplomb, peut facilement orienter la décision d’un médecin.

    Ce biais est déjà documenté. Face à un outil perçu comme performant, les cliniciens ont tendance à faire confiance à la machine, parfois plus qu’à leur propre jugement, même quand leur intuition diverge. Dans des situations d’urgence notamment, certaines études montrent qu’une recommandation affichée avec un haut niveau de confiance est plus souvent suivie… même lorsqu’elle est fausse.

    Le problème vient en partie de la conception même des modèles. Aujourd’hui, une IA est entraînée à répondre. Pas à dire qu’elle ne sait pas. Elle ne distingue pas clairement 2 situations pourtant essentielles en médecine : quand il manque des informations et quand les données sont là, mais incertaines. Résultat : les réponses apportées sont propres, structurées… mais parfois inappropriées voire erronées.

    Une IA capable d’évaluer son niveau de certitude

    Face à ce constat, des chercheurs du MIT ont voulu changer d’approche. Leur objectif n’est plus seulement d’améliorer la performance brute, mais de rendre l’IA capable d’évaluer son propre niveau de certitude et d’adapter sa réponse. Autrement dit, transformer l’outil en véritable partenaire du clinicien. Pour cela, ils n’ont pas développé un nouveau modèle d’IA mais ont conçu une couche supplémentaire, baptisée BODHI, qui vient se greffer sur un système existant pour en modifier le comportement.

    Concrètement, le dispositif repose sur une étape intermédiaire, ajoutée avant la réponse. L’IA ne répond plus immédiatement. Elle commence par évaluer son propre niveau de certitude face au cas qui lui est soumis. Elle analyse notamment si les données sont suffisantes, si la situation est complexe ou atypique, ou si plusieurs interprétations sont possibles. Le système distingue alors deux situations clés :

    • Un manque d’informations, qui empêche de conclure.
    • Une incertitude persistante malgré des données disponibles.

    Dans le premier cas, l’IA est incitée à poser des questions ou à demander des éléments complémentaires. Dans le second, elle peut formuler une réponse, mais en signalant explicitement ses limites et les hypothèses alternatives.

    Un modèle « humble »

    Pour générer de tels comportements, les chercheurs ont intégré ce qu’ils appellent une “matrice d’activation des vertus”. Autrement dit un système qui déclenche différents comportements selon le niveau d’incertitude. Elle repose sur deux principes complémentaires :

    • La curiosité, qui pousse le modèle à chercher des informations supplémentaires.
    • L’humilité, qui l’incite à reconnaître ses zones d’incertitude.

    Le système a été testé sur 200 cas cliniques simulés, à partir de scénarios médicaux standardisés. Les chercheurs ont comparé les réponses d’un modèle classique et celles du même modèle avec BODHI, en évaluant leur qualité sur une échelle de 0 à 100. Cette évaluation repose sur une grille standardisée, appliquée par des évaluateurs humains, qui prend en compte plusieurs critères : exactitude médicale, pertinence du raisonnement et gestion de l’incertitude.

    Les résultats de cette étude ont été publiés le 23 mars 2026 dans BMJ Health & Care Informatics.

    Résultats : dans 97 % des cas, l’IA demande des informations complémentaires

    • Une amélioration nette de la qualité des réponses +17,3 points sur 100 pour un modèle, +7,4 points pour un autre, selon un score combinant exactitude médicale, raisonnement et gestion de l’incertitude.
    • Un recours massif aux questions en cas d’incertitude 97,3 % avec le système doté e BODHI contre 0 à 7 % des cas sans BODHI.
    • Des réponses plus prudentes et mieux cadrées augmentation significative des formulations nuancées : réserves explicites, hypothèses alternatives, signalement des limites.
    • Moins de réponses erronées exprimées avec assurance baisse significative des situations où le modèle se trompe tout en affichant un haut niveau de confiance.

    Quand l’IA se transforme en « co-pilote »

    Cette étude ouvre une piste : rendre les IA médicales plus utiles ne passe pas seulement par de meilleures performances, mais par une meilleure interaction avec les soignants. « Nous utilisons aujourd’hui l’IA comme un oracle, mais nous pouvons l’utiliser comme un coach. Nous pourrions en faire un véritable copilote », explique Leo Anthony Celi, chercheur au MIT, médecin au Beth Israel Deaconess Medical Center et dernier auteur de l’étude.

    L’enjeu est aussi organisationnel. Introduire ce type de système suppose d’accepter une IA qui ralentit parfois la décision pour la sécuriser, et qui incite à reconsidérer certaines situations. « C’est comme avoir un copilote qui vous dirait qu’il faut un regard neuf pour mieux comprendre un patient complexe », ajoute-t-il.

    En outre, cette approche rappelle une limite déjà souvent soulevée : une IA ne peut être aussi fiable que les données sur lesquelles elle est entraînée. Les chercheurs appellent ainsi à plus de rigueur dans leur conception. « Nous ne pouvons pas arrêter ni même ralentir le développement de l’IA, mais nous devons être plus réfléchis et plus rigoureux dans la manière dont nous la développons », souligne Leo Anthony Celi.

    Ces résultats restent toutefois préliminaires. Le système a été testé sur des cas simulés, et non en conditions réelles. Son impact devra encore être évalué en situation clinique, notamment sur la prise de décision et la charge de travail des soignants.

    *Engineering framework for curiosity-driven and humble AI in clinical decision support.

    Arslan J, Benke K, Cajas Ordones SA, Castro R, Celi LA, Cruz Suarez GA, et al. BMJ Health & Care Informatics. 2026;33:e101877. https://doi.org/10.1136/bmjhci-2025-101877

    https://informatics.bmj.com/content/33/1/e101877

     

  • Tessan ne vend plus que des consultations, mais un parcours de santé

    Tessan ne cherche pas uniquement à accélérer la prise en charge, mais à anticiper davantage et à améliorer le suivi dans la durée.

    L’entreprise annonce une réorganisation de son modèle, jusqu’ici centré sur la téléconsultation. Celle-ci est désormais intégrée dans un dispositif plus large qui vise à structurer les parcours de santé dans le temps. L’entreprise part du constat d’un manque de continuité entre l’apparition de symptômes, la consultation et le suivi, avec “peu de dispositifs intermédiaires pour accompagner les patients”.

    L’objectif est de proposer une organisation qui couvre les différentes étapes du parcours, en amont et en aval de l’acte médical, en s’appuyant sur des points d’accès physiques et des outils numériques.

    Le modèle proposé repose sur trois séquences :

    • En amont (prévention et détection).
    • Pendant (consultation et prise en charge).
    • Et après (suivi et accompagnement).

    Tessan cherche à inscrire les actes médicaux dans une logique de continuité, plutôt que dans une intervention ponctuelle.

    Ce fonctionnement s’appuie sur des technologies numériques et des dispositifs connectés, avec une supervision médicale revendiquée à chaque étape.

    Quatre composantes

    • Dispositifs de prévention et de détection : Tessan déploie des équipements de check-up connectés permettant de réaliser des bilans de santé en pharmacie ou dans d’autres lieux du quotidien. Les données collectées sont analysées et interprétées par des professionnels de santé. Des objets connectés, comme des bracelets, complètent ce dispositif pour assurer un suivi entre deux consultations.
    • Accès à la consultation : L’entreprise poursuit le déploiement de ses bornes et cabines de téléconsultation. Plus de 1 600 sites sont équipés, et permettent un accès à des médecins généralistes et spécialistes. Ces dispositifs facilitent la prise en charge rapide à partir de situations identifiées en amont.
    • Suivi post-consultation : Tessan prévoit également le lancement d’une application mobile destinée à prolonger la prise en charge. Celle-ci doit permettre le suivi des patients, la réalisation de téléconsultations à distance et le partage d’ordonnances avec les pharmacies partenaires. Des services complémentaires liés à la médication et à l’accompagnement thérapeutique sont annoncés.
    • Outils d’analyse et d’orientation : Enfin, l’entreprise développe des outils d’aide à l’interprétation médicale qui reposent sur l’IA. Ceux-ci sont destinés à exploiter les données issues des dispositifs connectés et à faciliter l’identification de situations nécessitant une intervention ou une réorientation.

    1 600 sites, 400 médecins et 1,5 million de patients

    L’infrastructure déployée par Tessan s’appuie sur un maillage territorial déjà constitué, avec plus de 1 600 lieux de santé équipés, un réseau de 400 médecins et plus de 1,5 million de patients accompagnés en France. À partir de cette base, l’entreprise indique vouloir structurer une organisation combinant dispositifs médicaux, outils numériques et présence de proximité, avec l’objectif d’étendre ce modèle à plus grande échelle dès 2026.

    Tessan souhaite intégrer différentes briques (prévention, consultation, suivi et analyse) dans une même organisation. L’enjeu est de mieux articuler les interventions médicales et les dispositifs d’accompagnement.

    En France, plus de 6 millions de personnes résident dans des zones sous-dotées en médecins généralistes, et certaines spécialités affichent des délais d’attente de plusieurs mois.

  • Cancer d’origine inconnue : l’IA génomique améliore la précision diagnostique

    Cancers d’origine inconnue : un enjeu clinique sous-estimé

    Selon l’OMS, les cancers à primitif inconnu (CUP) — métastases dont l’origine tumorale reste indéterminée — représentent 3 à 5 % des cancers, soit120 000 cas/an. Les limites diagnostiques actuelles (immunohistochimie, séquençage ciblé) entraînent :

    • Plus de 40 % de diagnostics tardifs ou erronés.
    • 50 % d’impact sur les décisions thérapeutiques.

    IA multi-omique : une biopsie moléculaire augmentée

    Caris Life Sciences (Irving, Texas, États-Unis), spécialisée en oncologie de précision, a développé Caris GPSai, un modèle d’apprentissage profond intégrant :

    • Séquençage exome (WES) et transcriptome (WTS).
    • Classification tumorale en 90 catégories.
    • Détection des tumeurs mal classifiées et CUP.

    Validation sur plus de 97 000 cas cliniques

    Les résultats de l’étude observationnelle multicentrique combinant une analyse rétrospective (entraînement et validation initiale du modèle) et une validation prospective en conditions réelles d’utilisation clinique ont été publiés dans Cancer Research Communications. Ils rapportent :

    • 95 % de précision pour identifier l’origine tumorale (hors CUP).
    • Identification de l’origine dans 84 % des CUP (cas historiquement non classables) et 96,3 % des cas connus, sur 21 549 cas rétrospectifs et 76 271 prospectifs.
    • 704 diagnostics révisés, avec un impact thérapeutique dans 86,1 % des cas.

    Vers un diagnostic in vitro guidé par l’IA

    Cette plateforme pourrait améliorer la stratification moléculaire des tumeurs, guider des thérapies personnalisées et réduire les examens invasifs et délais diagnostiques. L’intégration de l’IA et du séquençage génomique à grande échelle confirme son rôle structurant dans l’évolution du diagnostic oncologique.

     

  • De la polysomnographie au smartphone : la révolution discrète de la médecine du sommeil

    Insights :

    • 45% des Français déclarent au moins un trouble du sommeil et 9% une apnée du sommeil (5% en 2013).

     

    • Les troubles du sommeil représentent un fardeau sous‑adressé, générateur de coûts indirects importants (absentéisme, accidents, productivité).

     

    • L’apnée du sommeil est le cas d’usage pivot, avec un sous‑diagnostic massif qui justifie des approches IA de dépistage et diagnostic scalable.

     

    • Le lien bidirectionnel entre sommeil et santé mentale justifie que le sommeil soit intégré à la Grande Cause nationale Santé mentale 2025.

     

    • Un modèle fondationnel (SleepFM) démontre que les signaux de sommeil peuvent prédire de nombreuses maladies chroniques au‑delà des seules pathologies du sommeil.

     

    • L’adoption massive des wearables crée un flux continu de données nocturnes utilisables pour des parcours de prévention, dépistage et suivi intégrés.

    📌Sommeil des Français : un adulte sur cinq dort moins de 6 heures par nuit

    En 50 ans, le temps de sommeil des Français a diminué d’1 h 30, 45% déclarent au moins un trouble du sommeil et 9% souffrent d’apnée, contre 5% en 2013. Les adultes dorment en moyenne 7 h par nuit, mais 1 sur 5 dort moins de 6 h, tandis que 15–20% souffrent d’insomnie et 1 Français sur 4 présente une somnolence diurne, impliquée dans 10–20% des accidents de la route. Chez les jeunes, plus de 30% des enfants et jusqu’à 70% des adolescents dorment insuffisamment, avec un impact documenté sur les performances cognitives et la réussite scolaire. Le manque de sommeil augmente de 55% le risque d’obésité chez l’adulte et de 89% chez l’enfant, et de 28% celui de diabète de type 2, tout en accroissant les risques cardiovasculaires, immunitaires et neurodégénératifs. L’insomnie double le risque de dépression et concerne 75% des personnes avec troubles psychiques, ce qui justifie une feuille de route 2025–2026 de 25 mesures et le déploiement d’outils comme l’application gratuite Jardin Mental pour le suivi du sommeil et de l’humeur.

    👉 Plus de détails sur «Troubles du sommeil : 45% de la population déclare au moins un trouble du sommeil – Health & tech»

     

    📌IA et sommeil : 200 études montrent une performance proche des experts pour l’AOS et le scoring

    À partir de 200 publications entre 2024 et 2026, l’article identifie quatre grands champs d’usage de l’IA : dépistage de l’apnée obstructive du sommeil, scoring automatique des stades, phénotypage et outils de coaching/thérapie. Les méta-analyses montrent des AUC souvent supérieures à 0,80 pour le diagnostic d’AOS à partir d’ECG ou de SpO₂ et une précision de 80–85% pour le scoring polysomnographique, avec des accords « substantiels à presque parfaits » avec les experts. Des indices de brain age dérivés de l’EEG sur plus de 7 000 sujets se révèlent prédictifs du risque de démence, tandis que des biomarqueurs numériques respiratoires et moléculaires enrichissent la stratification cardiovasculaire et cardiométabolique. Les systèmes de coaching personnalisés, chatbots et LLM de santé du sommeil commencent à être testés en télémédecine, mais les auteurs insistent sur l’hétérogénéité méthodologique, le manque de validation externe et les enjeux d’équité, d’explicabilité et de responsabilité clinique. L’IA est ainsi positionnée comme outil de triage, de priorisation et de suivi, complémentaire à la polysomnographie et à l’expertise des spécialistes plutôt que substitut.

    👉 Plus de détails sur «IA et médecine du sommeil : de la validation clinique ciblée aux nouveaux parcours numériques – Health & tech»

     

    📌Médecine du sommeil : un marché en industrialisation face à un fardeau sous‑diagnostiqué

    L’article décrit un champ où les troubles du sommeil, fortement contributifs aux maladies chroniques et aux coûts indirects (absentéisme, accidents, productivité), demeurent largement sous‑diagnostiqués, créant un important réservoir de valeur médicale et économique. Des réseaux comme l’INSV et le Réseau Morphée structurent un maillage territorial, tandis que des centres comme AQODI ou le centre du sommeil de la clinique Jeanne‑d’Arc à Lunéville industrialisent l’exploration du sommeil via des plateaux techniques mutualisés et des parcours standardisés. La montée en puissance de formations spécialisées (DIU « Le sommeil et sa pathologie ») et de chaires comme Sleep Health‑AI consolide le capital humain et ouvre la voie à des modèles intégrant données de vie réelle, IA et partenariats public‑privé. En parallèle, l’article met en avant des risques majeurs : fragmentation de l’offre et disparités régionales, tension sur les compétences, incertitudes sur les modèles économiques et maturité inégale des solutions numériques. Les auteurs recommandent une intégration en « parcours » articulant prévention, soins primaires, centres spécialisés et plateformes de données/IA, afin de sécuriser le passage à l’échelle.

    👉 Plus de détails sur «Sommeil : un champ médical sous-exploité à la croisée de l’industrialisation des soins et de la révolution data/IA – Health & tech»

     

    📌 IA et apnée du sommeil : 14 cas d’usage pour réduire un sous‑diagnostic estimé à 80%

    Partant des 900 millions de personnes concernées dans le monde par l’apnée du sommeil, dont environ 80% ignorent leur condition, l’article présente 14 cas d’usage d’IA couvrant du smartphone aux modèles fondationnels multimodaux. Il montre comment des solutions de dépistage automatisé, de scoring embarqué dans des dispositifs (matelas, wearables, capteurs acoustiques), ou encore de monitoring en réanimation et en pédiatrie visent à contourner les limites de la polysomnographie, coûteuse et peu accessible. Plusieurs exemples mettent en avant des capacités de diagnostic ou de pré‑screening en ambulatoire avec des performances jugées cliniquement acceptables, permettant de prioriser l’accès aux laboratoires du sommeil. L’article souligne également les apports de l’IA pour l’optimisation personnalisée du repos nocturne, la détection de détériorations en soins intensifs et le suivi de nourrissons à risque, ouvrant des perspectives de médecine préventive. Il insiste cependant sur la nécessité de validation clinique, de cadres de remboursement et d’intégration aux parcours de soins pour éviter une prolifération de gadgets non validés.

    👉 Plus de détails sur «14 cas d’usage de l’intelligence artificielle en médecine du sommeil – Health & tech»

     

    📌 17 solutions d’IA en médecine du sommeil : quatre familles pour structurer le marché d’ici 2025

    L’article dresse un panorama 2025 de 17 solutions d’IA en médecine du sommeil, organisées en quatre grandes catégories : dépistage/diagnostic AOS simplifié, scoring automatique, plateformes de phénotypage‑données et outils de coaching/thérapies digitales. Il met en avant quelques indicateurs clés : tests domicile PPG/ECG avec bonne concordance à la polysomnographie, scores de risque intégrables en soins primaires, et plateformes combinant sommeil, comorbidités cardiométaboliques et suivi d’adhésion. Les auteurs analysent les opportunités (réduction du sous‑diagnostic, optimisation des flux en laboratoire du sommeil, création de biomarqueurs numériques de risque) et les risques (biais de données, manque d’interopérabilité, absence de modèles économiques stabilisés). L’article insiste sur le besoin de standards de reporting, de validations multicentriques et de cadres d’évaluation médico‑économique pour soutenir l’adoption par payeurs et cliniciens. Il conclut que les solutions les plus prometteuses sont celles ancrées dans des partenariats académiques forts, des infrastructures de données robustes et une intégration explicite aux parcours de soins existants.

    👉 Plus de détails sur «Panorama 2025 des solutions d’IA en médecine du sommeil (17 solutions, 4 grandes catégories) – Health & tech»

  • Revue systématique des LLM en clinique : peu de bénéfices démontrés au lit du patient 

    Une « méta‑revue »… réalisée avec un LLM

    Les auteurs partent d’un constat simple : depuis 2022, les études sur les grands modèles de langage en médecine se multiplient à un rythme tel qu’une revue systématique classique devient difficilement gérable. Pour contourner ce problème, ils conçoivent un pipeline de revue systématique s’appuyant lui‑même sur un LLM de pointe : le modèle est utilisé pour filtrer les articles, appliquer des critères d’inclusion/exclusion et extraire automatiquement les caractéristiques des études à partir des titres et résumés.

    Concrètement, plusieurs bases de données sont d’abord « aspirées », puis un LLM (GPT‑5 en mode reasoning) est chargé de décider si chaque étude doit être incluse et de la classer dans un niveau de preuve prédéfini. Les performances de ce screening automatisé sont ensuite comparées à celles d’équipes humaines sur un sous‑échantillon afin d’estimer la sensibilité, la spécificité et les marges d’erreur, avant d’appliquer un modèle bayésien pour corriger les totaux finaux.

    Un paysage saturé d’études… mais peu de données réelles

    Entre janvier 2022 et septembre 2025, la revue identifie 4 609 études évaluant des LLM en médecine clinique, soit environ 3,2 articles par jour. Pourtant, seule une minorité repose sur des données réellement représentatives de la pratique : 1 048 études utilisent des données patient réelles, et parmi elles seulement 19 sont des essais randomisés prospectifs évaluant un système déployé en situation clinique.

    La plupart des travaux se situent dans des contextes simulés (1 857 études) ou sur des tâches de type QCM/examen (1 704 études), loin des décisions complexes et du bruit des situations de soins réelles. Les modèles d’OpenAI dominent très largement le paysage : ChatGPT et modèles apparentés représentent 65,7 % des modèles évalués, tandis que Gemini/Bard arrive loin derrière avec 13,1 %, les autres modèles se partageant une fraction marginale.

    Un cadre en quatre niveaux de preuve

    Pour rendre lisible ce foisonnement, les auteurs proposent une grille de lecture par niveaux de preuve, inspirée des classifications classiques en médecine mais adaptée aux spécificités des LLM.

    • Tier S : études « or » – évaluations prospectives de systèmes déjà déployés, en environnement clinique réel, idéalement en essais randomisés contrôlés, avec des critères de jugement cliniques.

    • Tier I : évaluations rétrospectives ou prospectives sur de vraies données cliniques non vues pendant l’entraînement, mais sans déploiement en routine ni randomisation systématique.

    • Tier II : études sur données ou scénarios simulés ou synthétiques (vignettes cliniques, cas simulés, jeux de données artificiels), permettant de tester le comportement du modèle dans un cadre contrôlé.

    • Tier III : évaluations centrées sur la restitution de connaissances (questions‑réponses, examens, quiz), souvent éloignées des situations concrètes de prise en charge.

    Faute d’un nombre suffisant d’études Tier S, celles‑ci sont fusionnées avec le Tier I pour les analyses statistiques. Le LLM utilisé pour la revue détecte 1 094 études de Tier I (incluant les Tier S), 1 767 études de Tier II et 1 727 de Tier III, révélant un déséquilibre net au profit de travaux moins proches de la pratique réelle.

    LLM vs humains : des performances très dépendantes du contexte

    Sur 1 046 études comportant une comparaison directe LLM‑humains, les modèles surpassent les cliniciens dans 33 % des cas, mais cette proportion varie fortement selon le réalisme de la tâche et le niveau de formation des humains comparés. Dans les études de Tier III (tâches de type examens et questions de connaissances), les LLM dépassent les humains bien plus souvent que dans les études Tier I centrées sur des données cliniques réelles (38,4 % contre 25,9 %, différence statistiquement significative).

    Les auteurs observent également une évolution temporelle : dans les études Tier I et II, la fréquence à laquelle les LLM surpassent les humains tend à augmenter au fil des années, ce qui reflète l’amélioration rapide des modèles. À l’inverse, dans les études Tier III (examens), les gains semblent se tasser, suggérant que les marges de progression sur des tâches de pure connaissance sont désormais limitées.

    Un pipeline de revue assistée par LLM… validé et généralisable

    Au‑delà de la cartographie du champ, l’apport clé de ce travail est méthodologique : il montre qu’il est possible d’utiliser un LLM pour construire une revue systématique à grande échelle, tout en encadrant statistiquement les erreurs. Sur le sous‑ensemble d’articles annotés manuellement, le LLM atteint une sensibilité d’environ 0,91 et une spécificité de 0,92 pour la décision d’inclusion/exclusion, avec des intervalles de confiance étroits.

    En extrapolant ces performances à l’ensemble des 4 609 études via un modèle bayésien, les auteurs estiment que l’automatisation induit quelques centaines de faux positifs et faux négatifs (environ 669 faux positifs et 386 faux négatifs, avec des intervalles d’incertitude), mais sans remettre en cause les grandes tendances. Le code et un outil d’exploration des résultats sont mis à disposition en open source, afin de permettre à d’autres équipes d’adapter ce cadre à d’autres domaines de la médecine ou à de futurs modèles.

    Ce que cela change pour la médecine de demain

    Pour les auteurs, le déséquilibre flagrant entre le nombre total de publications et la rareté des données cliniques robustes doit amener à réorienter les priorités de recherche. Les LLM ont déjà démontré leur capacité à restituer des connaissances médicales et à performer sur des scénarios synthétiques, mais les preuves de bénéfice patient‑centré restent limitées, avec très peu d’essais randomisés et une majorité d’études de petite taille (au moins un quart des études ont des effectifs inférieurs à 30 participants ou cas).

    Les auteurs proposent une feuille de route graduelle : en l’absence d’études Tier III, commencer par évaluer la compétence brute du modèle sur des tâches de connaissances, puis passer à des simulations (Tier II), avant de tester les modèles sur de vraies données (Tier I) et, in fine, en déploiement clinique contrôlé (Tier S). Selon eux, renforcer cette progression, augmenter les tailles d’échantillon et intégrer des outcomes cliniques pertinents sont des conditions indispensables pour que les LLM puissent prétendre à une place durable dans les parcours de soins.