Articles

  • Imagerie : L’Académie de médecine inscrit l’IA validée dans l’obligation de moyens

    Le non-recours aux outils validés pourrait constituer “une perte de chance”

    Dans son rapport adopté en janvier 2026, l’Académie nationale de médecine considère que l’utilisation des applications d’IA dont l’utilité clinique a été démontrée relève désormais des obligations de moyens en imagerie médicale. L’IA est décrite comme un outil d’assistance 24 h/24 au radiologue et au clinicien qui limite les risques d’erreur, d’inattention ou de méconnaissance et facilite la décision médicale, notamment via l’amélioration de la qualité des images, la détection d’anomalies, la segmentation, la quantification et l’estimation de paramètres pronostiques.

    Le rapport va jusqu’à indiquer que la non‑utilisation d’applications ayant un marquage réglementaire, des performances scientifiquement démontrées et une utilité clinique documentée pourrait, à terme, être assimilée à une perte de chance pour le patient. Cette position s’appuie sur une vision où l’IA, lorsqu’elle est validée, fait partie intégrante de l’arsenal de moyens que le radiologue doit mobiliser au bénéfice du patient, au même titre que les protocoles d’examen ou les outils de post‑traitement.

    En parallèle, l’Académie rappelle que l’autorisation de mise sur le marché par la FDA ou via le marquage CE repose souvent sur la non‑infériorité par rapport à des panels de radiologues, sans preuve systématique d’un bénéfice clinique final, ce qui impose de ne pas réduire l’obligation de moyens à une simple conformité réglementaire. Le recours à l’IA doit rester encadré par une démarche de preuve, des essais cliniques et une évaluation continue de la valeur ajoutée pour la prise en charge.

    Un usage encadré par la vigilance et la validation médicale

    L’obligation de moyens n’exonère pas les professionnels de leurs responsabilités individuelles et collectives dans l’utilisation de systèmes d’IA parfois opaques et sensibles aux biais. Le rapport insiste sur le fait que les résultats des applications d’IA doivent toujours être validés par le médecin responsable de l’examen, afin d’éviter une délégation de facto de la décision à la machine. L’Académie alerte sur le risque d’absence de validation humaine, dans un contexte de pression démographique et économique qui pourrait pousser certains acteurs à s’appuyer excessivement sur des flux automatisés.

    Cette vigilance passe aussi par l’information systématique des patients et des prescripteurs sur le recours à l’IA, de façon traçable, en cohérence avec la loi de bioéthique de 2021 et les exigences d’explicabilité du fonctionnement des algorithmes. Le rapport souligne que les concepteurs doivent assurer une explicabilité suffisante pour les utilisateurs et que les professionnels doivent pouvoir accéder aux données utilisées et aux résultats produits. Sur le plan juridique, l’Académie anticipe un développement rapide d’un droit de l’IA en santé calé sur la loi de 2002, la loi de 2021, le règlement européen du 13 juin 2024 et la jurisprudence existante sur les robots médicaux.

    L’algorithmovigilance, une maintenance continue des modèles

    Au‑delà de la vigilance médicale, le texte introduit explicitement la notion d’algorithmovigilance, entendue comme une maintenance continue des algorithmes par les fabricants et les utilisateurs. Les constructeurs d’équipements embarquant de l’IA et les éditeurs d’applications doivent assurer une matériovigilance et une algorithmovigilance sur leurs produits et leurs évolutions successives, avec remontée, analyse et prise en compte des résultats erronés.

    L’Académie décrit un dispositif dans lequel les structures d’imagerie ont la responsabilité locale de surveiller les performances, de détecter les dérives, de recenser les erreurs et de les communiquer aux constructeurs, tout en garantissant la protection des données des patients sur l’ensemble du circuit des images. Cette organisation suppose la mise en place de registres ou de grandes cohortes rigoureusement collectées et annotées, l’identification de « vérités terrain » (biopsies, suivi longitudinal) et un dialogue continu entre cliniciens, radiologues, data scientists et industriels.

    Les facteurs de dérive identifiés sont multiples : nouvelles modalités d’acquisition (scanners à comptage photonique), modifications d’algorithmes embarqués, nouveaux produits de contraste, émergence de nouvelles pathologies, évolution des populations ou des pratiques thérapeutiques. Pour y répondre, les auteurs insistent sur la nécessité de réentraîner régulièrement les modèles, d’utiliser des données synthétiques pour anticiper des situations inédites et de documenter les versions successives dans une charte de responsabilité.

    Charte de responsabilité, gouvernance et IA Act européen

    L’algorithmovigilance s’inscrit dans un cadre plus large de gouvernance et de responsabilité partagée entre fabricants et usagers. L’Académie recommande l’élaboration et le respect d’une charte de responsabilité pour les algorithmes utilisés en diagnostic radiologique, inspirée du code de conduite de la National Academy of Medicine, couvrant des critères de fiabilité, sécurité, efficacité, équité, efficience, accessibilité, transparence, responsabilité, sûreté et évolutivité. Chaque centre d’imagerie ou institution doit désigner une gouvernance robuste, chargée de veiller au respect de cette charte et au déploiement effectif de l’algorithmovigilance.

    Le rapport articule cette gouvernance avec le règlement européen sur l’IA adopté le 13 juin 2024, qui classe la plupart des systèmes utilisés en santé parmi les IA « à haut risque » et impose des exigences renforcées sur la maîtrise de l’outil, la qualité des données, la formation des utilisateurs et la cybersécurité. L’Académie rappelle que la CNIL demande un contrôle humain effectif, une transparence sur le système et un niveau approprié d’exactitude, de robustesse et de stabilité tout au long du cycle de vie, et souligne la convergence avec les principes américains de « learning health system ».

    Dans ce cadre, la responsabilité se répartira entre professionnels de santé (mauvaise utilisation, défaut de maintenance), établissements, fabricants (produits défectueux au sens de la loi de 1998) et acteurs intermédiaires, avec une probabilité croissante de contentieux liés soit à une utilisation inadéquate, soit à la non‑utilisation d’un outil pertinent, assimilable à une perte de chance.

    Former à la fois à l’obligation de moyens et à l’algorithmovigilance

    Enfin, l’Académie fait de la formation un levier central de cette double dynamique : obligation de moyens et algorithmovigilance. La compréhension du potentiel de l’IA en imagerie, de ses biais, de ses limites, de ses risques, de la nécessité de son actualisation continue et des questions éthiques associées doit faire partie intégrante de la formation initiale et continue de tous les professionnels de santé. L’objectif est d’éviter la perte de compétence, le biais de supériorité de la machine et la dépendance aux systèmes automatisés, tout en développant une culture de maîtrise humaine et de contrôle critique des résultats.

     

  • HDH : le Conseil d’État valide l’autorisation CNIL de trois ans pour des études menées avec l’EMA sur les pathologies en France

    Saisi par des associations et des particuliers, le Conseil d’État a rejeté les recours dirigés contre la délibération de la Commission nationale de l’informatique et des libertés (CNIL) du 13 février 2025. Cette autorisation permet à l’Agence européenne des médicaments de mettre en œuvre, pour une durée de trois ans, des traitements automatisés de données personnelles de santé issues d’un échantillon de la population française.

    Ces traitements s’inscrivent dans le cadre de DARWIN EU, un réseau mis en place par l’EMA associant des institutions publiques et privées. Son objectif est de recueillir des données destinées à étudier l’usage, la sécurité et l’efficacité des médicaments et vaccins à usage humain. En France, les études autorisées portent sur la prévalence et l’incidence des pathologies au sein de la population.

    L’hébergement des données extraites repose sur Microsoft Ireland Operations, Ltd, filiale de droit irlandais du groupe Microsoft. C’est ce point qui était au cœur de la contestation portée devant le Conseil d’État : les requérants soutenaient qu’un risque de transfert de données personnelles vers les États-Unis existait du fait du rattachement de cette société au groupe américain.

    Une autorisation limitée au traitement automatisé

    Dans sa décision, le Conseil d’État rappelle d’abord que l’autorisation délivrée par la CNIL ne porte que sur le traitement de données de santé hébergées dans des centres de données situés en France. Elle n’a pas pour objet d’autoriser un transfert de ces données vers les États-Unis.

    La haute juridiction en déduit que cette autorisation ne relève pas du champ de la décision d’adéquation adoptée par la Commission européenne le 10 juillet 2023 pour encadrer certains transferts de données vers les États-Unis. En conséquence, l’argument des requérants contestant la légalité de cette décision européenne est écarté.

    Des transferts possibles pour les seuls utilisateurs de la plateforme

    Le Conseil d’État relève toutefois qu’en raison des modalités d’exécution du contrat conclu avec Microsoft, certaines données personnelles relatives aux utilisateurs de la plateforme Health Data Hub pourraient, le cas échéant, être transférées vers des administrateurs de la société situés aux États-Unis.

    Il précise néanmoins que ces transferts éventuels ne concernent pas les personnes incluses dans le champ des études. Il ajoute que le contrat d’hébergement prévoit, pour ces données liées aux utilisateurs de la plateforme, des garanties conformes au règlement général sur la protection des données (RGPD).

    Des garanties jugées suffisantes sur les données de santé

    La décision mentionne aussi qu’un accès aux données par les autorités américaines, sur le fondement de leur propre législation, ne peut être totalement exclu. Pour autant, le Conseil d’État estime que l’autorisation contestée comporte des garanties de nature à assurer la sécurité des données de santé traitées.

    Parmi ces garanties figurent la pseudonymisation des données et la limitation de leur durée de conservation. Au regard de ces éléments, la juridiction considère que la CNIL n’a pas commis d’erreur d’appréciation en délivrant cette autorisation.

    Le recours rejeté

    Le Conseil d’État rejette donc la demande d’annulation introduite par les associations et particuliers requérants. La décision confirme le cadre juridique retenu pour permettre au Health Data Hub de traiter, pour le compte de l’EMA dans le cadre de DARWIN EU, des données issues du SNDS afin de produire des études sur la prévalence et sur l’incidence de nouveaux cas observés sur une période.

  • Quel système de santé en 2050 ? DGOS, AIS et HCL lancent un programme national de prospective

    @Health & Tech Intelligence

    OSE 2050 s’inscrit dans une logique de planification prospective qui vise à structurer les politiques publiques.

    Organisation des soins, priorités collectives, acceptabilité des transformations, autant de questions que la démarche entend rendre plus concrètes. À travers des scénarios prospectifs, elle vise moins à prédire l’avenir qu’à rendre visibles les arbitrages qui attendent les acteurs du système de santé.

    Une méthode hybride associant experts, soignants et citoyens

    Face aux mutations du système de santé, les Hospices Civils de Lyon, la Direction Générale de l’Offre de Soins et l’Agence de l’Innovation en Santé lancent le programme OSE 2050.

    Ce dispositif de prospective a pour objectif d’explorer les futurs possibles de l’offre de soins à horizon 2050, d’identifier des scénarios plausibles pour éclairer les décisions à prendre dès aujourd’hui.

    OSE 2050 s’appuie sur une démarche de prospective par le design combinant plusieurs approches :

    • des travaux d’experts issus de plusieurs discipline.
    • l’implication de professionnels de santé de terrain.
    • une consultation citoyenne ouverte à tous.
    • et même la production de récits prospectifs par des auteurs de science-fiction.

    Cette méthodologie vise à confronter les points de vue, mettre en discussion des hypothèses de transformation et rendre tangibles des enjeux complexes via des scénarios immersifs. Le programme doit aboutir à plusieurs scénarios d’anticipation : issus de groupes de travail pluridisciplinaires, et enrichis par les contributions citoyennes.

    Ces travaux permettront d’identifier les tensions, les conditions de transformation et les arbitrages pour l’évolution du système de santé.

    Une consultation citoyenne en deux phases au printemps 2026

    Le programme intègre une consultation citoyenne accessible en ligne organisée en deux séquences :

    • du 23 mars au 5 avril 2026 : recueil des attentes, besoins et craintes concernant l’impact du numérique sur l’organisation des soins.
    • du 27 avril au 13 mai 2026 : identification des priorités devant guider l’usage du numérique en santé.

    Les contributions recueillies alimenteront les scénarios prospectifs, avec une restitution publique annoncée à Lyon en octobre 2026.

    Des livrables destinés aux décideurs publics

    Conçu par la DGOS et l’AIS et porté par les HCL pour cette première édition, le programme produira :

    • des scénarios d’anticipation immersifs
    • des hypothèses de transformation
    • des contributions issues des parties prenantes

    Ces éléments feront l’objet de restitutions à destination des pouvoirs publics et du grand public.

    Une réflexion sur le numérique sans réduction technologique

    Pour Marie Daudé, directrice générale de la DGOS, l’enjeu est de projeter un système de santé plus fonctionnel sans réduire sa transformation à la seule dimension technologique, tout en donnant de la visibilité sur les outils numériques en développement.

    De son côté, Charles-Edouard Escurat souligne la nécessité d’anticiper l’innovation pour mieux l’intégrer dans le système de santé, dans une logique de long terme.

  • Gouvernance éthique : le Codeem accueille Karinn Carpin et Sabine Carenco

    Elles succèdent à Alban Briard et Pierre-André Poirier.

    Karinn Carpin nommée à la Commission d’éthique et de déontologie

    Depuis 2023, Karinn Carpin occupe le poste de Directrice Excellence Qualité des Relations Professionnelles chez AstraZeneca. Elle a auparavant exercé plusieurs fonctions en ressources humaines, notamment Directrice des Relations Sociales au sein du même groupe, après avoir été Manager RH France chez Biogen.

    Elle est diplômée d’un Master en Management de l’Innovation (EDHEC), d’un DESA en Management des Ressources Humaines (CNAM) et formée au Management Télécom (INT).

    En rejoignant la Commission d’éthique et de déontologie du Codeem, elle contribuera à la définition et au suivi des principes d’intégrité et de transparence dans les relations entre les entreprises du médicament et les acteurs du système de santé.

    Elle succède à Alban Briard, Directeur Éthique et Intégrité des affaires chez Sanofi, qui occupait jusqu’alors ce poste.

    Sabine Carenco nommée à la Section des alertes, des litiges et des sanctions

    Sabine Carenco est Responsable juridique chez Takeda France depuis 2015, avec un périmètre incluant le droit des affaires et le droit pharmaceutique. Elle a rejoint Takeda France en 2003 après des débuts chez AstraZeneca, puis un poste de juriste généraliste chez GlaxoSmithKline, où elle a développé une expertise en suivi de contentieux, négociation contractuelle et conformité réglementaire

    Titulaire d’un Master II en droit des assurances (Université Panthéon-Assas), d’un DESS en droit de la santé (Université Bordeaux IV) et d’une maîtrise en droit privé, elle est également certifiée médiatrice. Au sein de la Section des alertes, des litiges et des sanctions du Codeem, elle sera chargée de participer à l’examen des alertes et différends déontologiques, ainsi qu’à l’application des procédures disciplinaires internes.

    Elle remplace Pierre-André Poirier, Directeur Éthique et Conformité Groupe Pierre Fabre.

     

  • IA et médecine du sommeil : de la validation clinique ciblée aux nouveaux parcours numériques

    Cet article analyse les apports récents de l’intelligence artificielle (IA) et de l’apprentissage automatique en médecine du sommeil, à partir d’un corpus de 200 publications indexées couvrant la période 2024–2026. Ces travaux incluent des essais cliniques, des études de validation, des méta-analyses bayésiennes, des revues systématiques et des prises de position professionnelles. Ils ont été publiés dans des revues de premier plan en médecine respiratoire (Respiratory Medicine, Sleep Medicine, Sleep, J Clin Sleep Med, Nat Sci Sleep, Sleep Med Rev, Sleep Breath), en santé numérique (NPJ Digital Medicine, Digital Health, J Med Internet Res, Front Digit Health), en médecine générale et de spécialité (Nat Med, JAMA Netw Open, Eur Arch Otorhinolaryngol, Front Med, Arch Bronconeumol, Int J Cardiol) ainsi que dans des journaux d’ingénierie biomédicale et d’informatique médicale (IEEE Trans Biomed Eng, Comput Biol Med, Digit Health, IEEE J Biomed Health Inform, Sci Rep, Sensors, Stud Health Technol Inform).

    Les principaux auteurs et groupes incluent notamment Kourí et Konstantinopoulou (Grèce) sur les perspectives cliniques de l’IA en médecine du sommeil, Bhatt et Khurana (États-Unis) pour l’IA en apnées obstructives du sommeil (AOS), Attia, Behar et collaborateurs (Israël) sur la validation d’algorithmes de diagnostic par photopléthysmographie, Sun et Leng (États-Unis) sur l’indice de “brain age” dérivé de l’EEG, ainsi que plusieurs équipes européennes et asiatiques travaillant sur les dispositifs portables, la radiomique et l’IMC/anthropométrie. L’American Academy of Sleep Medicine (AASM), via une position actualisée (Oks et al.), fournit par ailleurs un cadrage institutionnel de l’usage de l’IA en pratique clinique.

    L’objectif de cet article est de proposer une synthèse structurée des usages de l’IA en médecine du sommeil, d’en examiner la performance diagnostique et pronostique, et d’en discuter les implications cliniques, organisationnelles et réglementaires pour les acteurs de la santé numérique.

    Contexte : champs d’application majeurs

    Les articles identifiés permettent de distinguer quatre domaines d’application dominants : (1) dépistage et diagnostic de l’AOS, (2) classification automatique des stades de sommeil, (3) phénotypage du sommeil et stratification du risque, (4) interventions et outils numériques de coaching ou de thérapie.

    1. Apnée obstructive du sommeil

    • Plusieurs revues systématiques et méta‑analyses synthétisent l’usage de l’IA pour le diagnostic de l’AOS à partir d’ECG, d’oxymétrie, de signaux respiratoires, d’images et de données cliniques.

    • Bhatt & Khurana, Casal‑Guisande et al. et Li et al. décrivent des modèles utilisant des données cliniques, anthropométriques, questionnaires et biomarqueurs pour le dépistage et la stratification de la sévérité.

    • Plusieurs travaux (Hoang & Liang, Yamane et al., Gupta, Wang & Kilgore, Aygün Çakıroğlu et al., Trang et al., Almarshad et al.) se concentrent sur des signaux non invasifs (oxymétrie, ECG, acoustique, radar, capteurs sous-matelas).

    1. Somnographie et scoring automatique

    • De nombreux modèles de deep learning (AnySleep, KAN‑SleepNet, RimeSleepNet, SleepPPG‑Net2, Pediatric SleepNet, modèles canal‑agnostiques) visent le scoring des stades de sommeil à partir d’EEG, d’ECG, de PPG, d’actigraphie ou de signaux multimodaux.

    • Les études de Macea et al., Niu et al., De Fazio et al., Yilmaz et al., Grieger et al. montrent la faisabilité d’un scoring automatique robuste dans différentes populations (adultes, personnes âgées, patients épileptiques).

    • Des travaux spécifiques ciblent le sommeil pédiatrique et les troubles REM (Moeller et al., Bruni, Jung et al., Pan et al.).

    1. Phénotypage, comorbidités et pronostic

    • Des analyses de cohortes à grande échelle (Cavaillès et al., Zucco et al., Zainal & Van Doren, Te et al.) utilisent le machine learning pour définir des profils de sommeil multidimensionnels et leurs liens avec démence, maladies cardiovasculaires, troubles anxieux et consommation d’alcool.

    • Sun et al. et Zeng et al. exploitent l’EEG nocturne ou la radiomique cérébrale pour dériver des indices de “brain age” et étudier leur association à la démence et à l’insomnie.

    • Plusieurs études modélisent les interactions entre troubles du sommeil et dépression, hypertension, diabète, douleur chronique, schizophrénie ou qualité de vie.

    1. Interventions, outils numériques et IA générative

    • Des systèmes de coaching personnalisés et de recommandation de sommeil basés sur des grands modèles de langage (LLM) ou sur l’analyse de “lifelog data” sont décrits, notamment par Khasentino et al. (LLM santé personnelle pour sommeil et fitness) et Park & Park (système PDSRS‑LD).

    • Des applications ciblent la planification des horaires de travail (Kubo et al.), la promotion du sommeil via chatbot (Liu & Liu), les essais de télémédecine en AOS (Zou et al.) ou la prédiction de l’adhésion à la réhabilitation respiratoire (Zawada et al.).

    • Des travaux explorent l’usage de l’IA générative pour l’extraction automatique de paramètres de sommeil à partir de comptes‑rendus (Maghsoudi et al.) ou pour analyser les biais des images générées dans l’AOS (Saran et al.).

    Synthèse des principaux résultats quantitatifs

    Performances diagnostiques en AOS

    Les méta‑analyses et revues indiquent globalement des niveaux élevés de sensibilité et spécificité pour le diagnostic d’AOS à partir de signaux simplifiés.

    • Kilic et al. rapportent, dans une méta‑analyse sur les algorithmes de machine learning à partir d’ECG, une précision diagnostique jugée élevée, mais les valeurs agrégées exactes varient selon les sous‑groupes et les découpages de sévérité.

    • Gao et al. (méta‑analyse bayésienne sur l’analyse de la variabilité du rythme cardiaque) confirment la possibilité de diagnostic d’AOS à partir d’ECG en conditions cliniques, avec des performances globales comparables à certains tests simplifiés mais hétérogènes entre études.

    • Hoang & Liang synthétisent les pratiques de dépistage de l’AOS par saturation nocturne en oxygène, en montrant des aires sous la courbe ROC généralement élevées (souvent supérieures à 0,80) selon les méthodes et populations, mais avec des sensibilités parfois modérées pour les formes légères.

    • Watson et al. valident un test à domicile basé sur PPG monocanal avec IA, démontrant une bonne concordance avec la polysomnographie pour l’indice d’apnées‑hypopnées (AHI) dans une population clinique.

    • Attia et al. (SleepAI) montrent qu’un système combinant oximétrie et PPG permet un diagnostic d’AOS adulte et un scoring de sommeil avec une performance jugée clinico‑compatible, dans une étude de validation clinique multicentrique.

    Des modèles centrés sur des données cliniques et anthropométriques (Leong et al., Ashtaiwi & Eltwayeb, Park et al.) obtiennent des performances de dépistage acceptables dans des contextes de soins primaires, mais leur généralisation dépend fortement des caractéristiques démographiques locales.

    Scoring automatique des stades de sommeil

    Plusieurs études rapportent des accords substantiels à presque parfaits entre IA et experts pour le scoring polysomnographique.

    • Moeller et al. comparent des systèmes d’IA à des experts en sommeil pour le scoring chez enfants et adolescents, avec une concordance suffisamment élevée pour envisager une utilisation clinique, tout en soulignant des divergences dans certains stades.

    • Vainikka et al. introduisent une quantification directe de l’incertitude dans le scoring automatique, mettant en évidence que l’intégration de mesures de confiance améliore l’utilité clinique dans les cas limites.

    • AnySleep et d’autres systèmes canal‑agnostiques (Grieger et al., Ghasemigarjan et al.) démontrent la possibilité d’un scoring robuste à partir de combinaisons minimalistes de signaux (par exemple EEG frontale, EOG, PPG), avec des précisions globales souvent supérieures à 80%.

    • Des approches basées uniquement sur PPG ou sur des capteurs portés (SleepPPG‑Net2, Yilmaz et al., Aguet et al.) montrent des performances inférieures à l’EEG standard mais suffisantes pour un suivi longitudinal ou des usages populationnels.

    Table 1 – Exemples de scénarios d’usage et niveaux de performance rapportés

    Domaine Type de données principales Niveau de performance rapporté (ordre de grandeur) Références illustratives
    Diagnostic AOS ECG / HRV AUC souvent > 0,80, sensibilité/spécificité élevées selon seuils AHI Kilic et al.; Gao et al.
    Diagnostic AOS SpO₂ / PPG monocanal Bonne concordance avec polysomnographie pour AHI Hoang & Liang; Watson et al.; Attia et al.
    Scoring du sommeil EEG multicanal Accord élevé avec experts, précision > 80–85% Moeller et al.; Grieger et al.; Pediatric SleepNet.
    Scoring du sommeil PPG / capteurs portables Précision modérée à élevée, adaptée au suivi SleepPPG‑Net2; Aguet et al.; Yilmaz et al.
    Stratification du risque Données cliniques, questionnaires, imagerie Bon pouvoir discriminant, dépendant de la population Casal‑Guisande et al.; Xiong et al.; Li et al.

    Les valeurs de performances restent hétérogènes entre études en raison de différences dans les jeux de données, les seuils d’AOS, les architectures de modèles et les métriques utilisées.

    Phénotypage et biomarqueurs numériques

    Les travaux de Sun et al., Zhou et al., Zeng et al. et Yu et al. illustrent le développement de biomarqueurs numériques dérivés du sommeil (indices de profondeur de sommeil, “brain age index”, marqueurs de spindles, signaux respiratoires) associés à des risques de démence, de maladies cardiovasculaires ou de cardiométabolisme.

    • Sun et al. réalisent une méta‑analyse de données individuelles (> 7 000 sujets) pour relier un indice de “brain age” dérivé de l’EEG de sommeil au risque de démence, montrant que des “brain age gaps” plus élevés sont associés à un risque accru.

    • Zhou et al. utilisent des modèles profonds pour générer un indice continu de profondeur de sommeil, qui fournit des signatures numériques associées à la santé du sommeil.

    • Zeng et al. et Li et al. exploitent la radiomique cérébrale et l’analyse des espaces périvasculaires pour relier troubles du sommeil, anomalies cérébrales et troubles cognitifs ou psychiatriques.

    Dans les troubles respiratoires du sommeil, plusieurs travaux identifient des biomarqueurs moléculaires et génomiques (Chen et al., Belmonte et al., Chen YC et al., Lu et al., Yu et al.) pour caractériser l’AOS et ses comorbidités cardio‑métaboliques et neurologiques.

    Implications cliniques et organisationnelles

    Reconfiguration du parcours diagnostique

    Les revues narratives et positions d’experts (Kourí & Konstantinopoulou; Banjade et al.; Bi et al.; Wu et al.; Léger & Rouen; Abou Jaoude; Jahrami et al.) convergent vers une vision où l’IA permet :

    • un dépistage élargi de l’AOS et des troubles du sommeil en soins primaires, via des tests simplifiés à domicile (PPG, oxymétrie, capteurs acoustiques, radars, dispositifs sous‑matelas) intégrant des algorithmes validés ;

    • une priorisation des patients à adresser au laboratoire du sommeil, en fonction de scores de risque issus d’algorithmes supervisés ;

    • une réduction de la charge de scoring manuel et de la variabilité inter‑experts par le recours à des systèmes d’aide au scoring, avec possibilité de relecture ciblée des séquences à incertitude élevée.

    L’AASM, dans sa déclaration de position de 2025, insiste toutefois sur le caractère complémentaire de l’IA, rappelant la nécessité de supervision par des spécialistes du sommeil, de validation indépendante et d’une intégration prudente dans les flux de travail cliniques.

    Intégration dans la santé numérique et la télémédecine

    Les travaux consacrés à la télémédecine en AOS (Zou et al.), aux tests de sommeil à domicile (Watson et al.; Chen KW et al.; Hu et al.; Wang J et al.) et aux plateformes de coaching ou de recommandation (Khasentino et al.; Park & Park; Quezada Reyes & Trejo; Smith et al.; Sakal et al.) montrent que l’IA s’inscrit dans un continuum plus large de santé numérique :

    • dispositifs portables et capteurs connectés (smartwatches, patchs ECG/PPG, radars, capteurs de mouvement) fournissent des flux de données continus que l’IA transforme en indicateurs cliniquement interprétables ;

    • systèmes de recommandation personnalisée ajustent l’activité physique, l’hygiène de sommeil ou les horaires de travail en fonction de profils prédictifs, avec des protocoles d’essais pilotés (par ex. études chez les travailleurs postés et les sportifs de haut niveau).

    • des solutions ciblent la prise en charge intégrée (par ex. plateformes combinant AOS, comorbidités cardiométaboliques et suivi de l’adhésion) en recourant à des modèles explicables (XAI, SHAP, modèles interprétables).

    Ces évolutions ont des implications directes pour les CEO et responsables de plateformes de santé numérique : nécessité de co‑concevoir les architectures de données, d’anticiper les besoins d’interopérabilité avec la polysomnographie standard et les dossiers patients, et de structurer des pipelines de validation clinique multicentrique.

    Enjeux réglementaires, éthiques et de qualité des données

    Les aspects juridiques et réglementaires sont abordés explicitement par Feige et al., qui discutent des contraintes de protection des données, d’échanges transfrontaliers, de data mining et d’IA en médecine du sommeil dans une perspective européenne. D’autres travaux soulignent la nécessité :

    • de cadres de reporting standardisés pour le scoring et le diagnostic par IA (BaHammam & Almarshad),

    • d’évaluations de biais et d’équité, notamment dans les algorithmes entraînés sur des données majoritairement occidentales et sur‑représentant certains phénotypes (Zhuang et al. sur l’équité en santé du sommeil, Saran et al. sur les biais d’images générées),

    • de prise en compte des incertitudes des modèles et de leur explicabilité (Takefuji; Bi et al.; Vainikka et al.; Hu et al.; Sun Q et al.; Carvalho et al.).

    Les revues sur l’insomnie, la douleur, la santé mentale et les populations spécifiques (patients oncologiques, femmes enceintes, étudiants, soignants, patients avec maladies chroniques) insistent sur l’importance de la qualité des données auto‑rapportées et des questionnaires, souvent utilisés comme “gold standard” dans ces contextes, et donc sur le risque de propagation des biais subjectifs dans les modèles.

    Discussion : convergences, limites et perspectives

    Les publications récentes révèlent plusieurs convergences :

    • L’IA atteint, dans certains scénarios (diagnostic d’AOS modérée à sévère à partir d’ECG ou de SpO₂, scoring de sommeil standard), des performances proches de celles d’experts, avec un potentiel de déploiement à grande échelle dans des dispositifs simplifiés et des environnements domestiques.

    • Les approches multimodales (combinaison ECG–PPG–actigraphie–respiration) et l’intégration de mesures d’incertitude et d’explicabilité apparaissent comme des leviers pour améliorer la robustesse et la confiance clinique.

    • Le phénotypage avancé et les biomarqueurs numériques ouvrent la voie à une stratification plus fine du risque cognitif, cardiovasculaire et mental, au‑delà de l’AHI et des métriques classiques.

    Cependant, plusieurs limites transversales sont soulignées :

    • Hétérogénéité méthodologique importante : variations dans les définitions d’AOS, les seuils d’indices, les métriques de performance, les populations et les protocoles de validation rendent difficile la comparaison et la méta‑analyse robuste.

    • Biais de sélection et de généralisation : de nombreux modèles sont développés sur des cohortes monocentriques, avec peu de validation externe, ce qui interroge leur applicabilité à d’autres contextes géographiques, systèmes de santé et profils démographiques.

    • Intégration opérationnelle limitée : malgré les preuves techniques, peu de travaux décrivent l’intégration complète de ces modèles dans des systèmes d’information hospitaliers, des parcours de soins structurés ou des modèles économiques durables.

    • Questions éthiques et de responsabilité : les positions d’experts (AASM, éditoriaux de Abou Jaoude, Léger & Rouen, Verma, Abdulsalam) soulignent la nécessité de clarifier la responsabilité clinique en cas d’erreur d’un modèle, l’information au patient et la gouvernance des algorithmes.

    Pour les CEO et décideurs en santé numérique, ces résultats soutiennent des stratégies “augmentées” plutôt que “substitutives” : l’IA est le plus souvent positionnée comme un outil de triage, de priorisation, de suivi et de phénotypage, sous supervision de spécialistes, plutôt que comme un substitut complet à la polysomnographie ou à l’expertise clinique.

    Conclusion

    L’ensemble des 200 publications examinées montre que l’IA en médecine du sommeil est passée d’une phase exploratoire à une phase de validation clinique ciblée, en particulier dans l’AOS, le scoring des stades de sommeil et le phénotypage multidimensionnel du sommeil et de ses comorbidités. Les études convergent vers des performances diagnostiques et de classification élevées dans plusieurs scénarios d’usage, ainsi que vers la possibilité de développer des biomarqueurs numériques pertinents pour le risque neuro‑cognitif, cardiovasculaire et cardiométabolique.

    Les implications pour la santé numérique sont majeures : reconfiguration du parcours de dépistage, émergence de tests de sommeil à domicile basés sur PPG/ECG/oxymétrie, intégration de modèles de prédiction et de recommandation dans les plateformes numériques, développement de programmes de télémédecine et de thérapies digitales ciblant l’insomnie et les troubles liés au sommeil.

    Dans le même temps, les auteurs insistent sur la nécessité de standards de reporting, de validations externes multicentriques, d’analyses d’équité et d’explicabilité, ainsi que sur le maintien d’une supervision clinique structurée. Pour les professionnels de santé et les dirigeants de structures de santé numérique, la priorité semble être l’investissement dans des infrastructures de données de qualité, l’évaluation rigoureuse des solutions IA au‑delà des performances techniques, et la co‑construction de modèles de soins intégrant l’IA comme composant structurant mais non exclusif du parcours de médecine du sommeil.

  • Leem : le médicament à l’heure des rapports de force mondiaux

    D’après une note du Leem, le marché pharmaceutique mondial poursuit sa croissance, mais cette hausse masque une recomposition plus profonde. Innovation thérapeutique, politiques industrielles, régulation des prix et rivalités géopolitiques redessinent les rapports de force.

    Après un rebond marqué en 2023, le marché mondial a atteint 1 737 milliards de dollars en 2024. Selon IQVIA, il pourrait approcher 2 400 milliards de dollars d’ici 2029, avec une croissance annuelle comprise entre 5 et 8 %.

    Cette dynamique repose sur des moteurs opposés.

    • D’un côté, l’arrivée de nouvelles innovations, notamment issues des biotechnologies, soutient la valeur du marché.
    • De l’autre, l’expiration de plusieurs brevets importants pourrait représenter un manque à gagner de 220 milliards de dollars sur les cinq prochaines années.

    En 2024, dix marchés ont représenté près de 74 % du chiffre d’affaires mondial.

    La géographie du médicament reste marquée par une forte concentration. Elle confirme la polarisation persistante de l’accès au médicament et des capacités d’innovation :

    • Les États-Unis dominent largement, avec près de 46 % des ventes mondiales.
    • Ils devancent la Chine, autour de 7 %.
    • L’Allemagne, à environ 4 %.
    • Et le Japon, à 3,5 %.
    • La France conserve la cinquième place, avec près de 3 % du marché mondial.

    Plus de 1 000 nouvelles substances actives ont été mises sur le marché en vingt ans, dont près de 400 sur les cinq dernières années

    La transformation du secteur s’appuie sur une accélération de l’innovation. En Europe, les principaux marchés ont enregistré 43 nouveaux médicaments en 2024, soit une hausse de 39 % en un an. Sur les cinq dernières années, les médicaments biologiques ont représenté près de 45 % des nouvelles introductions.

    Le segment des produits biologiques illustre cette évolution. Estimé à 400 milliards de dollars en 2021, il pourrait dépasser 650 milliards de dollars d’ici 2031, selon des estimations sectorielles publiées entre 2023 et 2024, avec une croissance annuelle proche de 7,75 %.

    Cette progression accompagne le développement d’une médecine plus ciblée et personnalisée, mais elle accentue aussi les interrogations sur la soutenabilité des systèmes de santé.

    Le retour des États dans la régulation du médicament

    Le médicament redevient un objet de politique publique. Aux États-Unis, les décisions récentes combinent logique commerciale et intervention sur les prix.

    Les mesures prolongent l’Inflation Reduction Act de 2022, qui permet désormais à Medicare de renégocier le prix de certains médicaments. Elles s’inscrivent dans un contexte de forte divergence tarifaire : les médicaments sur ordonnance coûtent en moyenne 2,78 fois plus cher aux États-Unis que dans les pays de l’OCDE, tandis que les dépenses de santé ont représenté 17,2 % du PIB américain en 2024, selon la Drees.

    Le rééquilibrage du marché mondial se joue aussi en Asie

    40 % des essais en oncologie : la Chine s’impose dans l’innovation mondiale

    La Chine occupe une place croissante dans l’innovation pharmaceutique. En 2024, elle a conduit environ 7 100 essais cliniques, contre 6 000 aux États-Unis, et a concentré près de 40 % des essais mondiaux en oncologie. Entre 2020 et 2024, ses investissements en R&D pharmaceutique ont progressé de 16,2 % par an, soit un rythme deux fois supérieur à celui de l’Europe. En 2024, plus d’un tiers des nouvelles molécules issues de la R&D mondiale proviendraient de Chine.

    L’Inde confirme, de son côté, sa position dans la production mondiale. Le pays représente environ 20 % du volume mondial de médicaments génériques et occupe le troisième rang mondial en volume de production. Son industrie pharmaceutique a généré près de 50 milliards de dollars de chiffre d’affaires en 2022-2023, avec une croissance annuelle proche de 20 %. New Delhi vise désormais un marché de 130 milliards de dollars d’ici 2030.

    L’Europe face au risque de marginalisation dans l’innovation pharmaceutique

    Pour l’Europe, ces évolutions soulèvent une difficulté supplémentaire. L’intégration de ses prix, parmi les plus bas, dans les mécanismes internationaux de référence pourrait conduire les industriels à retarder le lancement de leurs innovations sur le continent.

    Le sujet intervient alors que la compétitivité pharmaceutique européenne se dégrade. Selon la Fédération internationale de l’industrie du médicament, les politiques américaines récentes pourraient entraîner une baisse de 25 à 33 % des revenus de l’industrie à l’échelle mondiale.

     – 25 % en vingt ans : le décrochage de l’Europe pharmaceutique

    L’Europe conserve des atouts, avec 55 milliards d’euros investis chaque année en R&D et 320 milliards d’euros d’exportations, selon la Commission européenne. Mais elle a perdu 25 % de sa part mondiale d’investissements en vingt ans.

    Entre 2010 et 2022, la progression annuelle des dépenses de R&D a atteint 4,4 % dans l’Union européenne, contre 5,5 % aux États-Unis et plus de 20 % en Chine.

    Un nouvel ordre pharmaceutique mondial se dessine ainsi autour de deux pôles. Les États-Unis dominent le financement et l’accès au marché. L’Asie renforce ses positions sur les capacités industrielles et technologiques. Dans ce cadre, la pression sur les prix s’accentue et l’accès aux médicaments pourrait devenir plus différencié selon les régions.

    Pour l’Europe comme pour la France, l’enjeu est d’abord de maintenir des capacités d’innovation, d’attirer les investissements et de garantir un accès rapide et équitable aux traitements.

    Une recomposition silencieuse

    La croissance du marché pharmaceutique mondial ne doit pas masquer une transformation beaucoup plus profonde. Derrière cette dynamique, le secteur est traversé par des forces contradictoires : d’un côté, l’essor des biotechnologies et de la médecine personnalisée crée de la valeur et redéfinit les standards thérapeutiques ; de l’autre, l’expiration massive de brevets, la pression croissante sur les prix et le retour des États dans la régulation fragilisent les équilibres économiques. Cette recomposition s’inscrit aussi dans un basculement géopolitique : les États-Unis conservent leur domination sur le financement et l’accès au marché, tandis que l’Asie, emmenée par la Chine et l’Inde, s’impose progressivement comme un pôle majeur d’innovation et de production. Dans ce nouvel ordre pharmaceutique, plus fragmenté et concurrentiel, l’Europe apparaît en position de fragilité, confrontée au risque de décrochage.

  • Parallel convainc par son impact rapide et lève 20 millions pour industrialiser son IA de codage

    L’entreprise veut tripler ses effectifs pour soutenir sa croissance

    La start-up française Parallel annonce une levée de fonds de 20 millions de dollars (environ 17,3 millions d’euros) dans le cadre d’une série A menée par Index Ventures, avec la participation de Frst, Y Combinator, Hexa et plusieurs business angels, dont Arthur Mensch (Mistral).

    Fondée en 2025, l’entreprise développe des agents d’IA capables d’opérer dans les logiciels hospitaliers. Elle revendique déjà une quarantaine d’établissements clients, publics et privés, et prévoit d’accélérer son expansion en France et à l’international.

    Le codage médical et la facturation sont des fonctions critiques.

    Parallel cible un point de tension bien identifié dans les établissements de santé : le poids des tâches administratives liées à la prise en charge des patients. Chaque séjour mobilise plusieurs logiciels métiers, souvent anciens et peu interconnectés. Les équipes doivent passer d’un outil à l’autre, ressaisir des données et répéter des opérations liées notamment au codage médical ou à la facturation.

    Avec cette levée, Parallel prévoit de renforcer ses effectifs, actuellement compris entre 10 et 15 collaborateurs, pour atteindre une quarantaine de salariés d’ici la fin de l’année. Les priorités portent sur l’accélération commerciale en France et le développement de nouveaux cas d’usage, en parallèle d’une expansion internationale à venir.

    Plutôt que de transformer les infrastructures, la startup déploie des agents en surcouche, sans exiger la refonte

    La start-up cible en priorité le codage médical. Les agents développés par Parallel exploitent des modèles d’IA générative, open source et propriétaires, pour lire, structurer et coder automatiquement ces données.

    Parallel insiste sur son positionnement, elle ne remplace pas les logiciels existants mais ajoute une couche d’automatisation. Une stratégie qui lui permet d’éviter une concurrence frontale avec les éditeurs historiques.

    Parallel se positionne sur une architecture qui contourne les contraintes classiques des systèmes hospitaliers. Plutôt que de développer des connecteurs complexes, ses agents interagissent directement avec les interfaces existantes, à la manière d’un opérateur humain. Cette approche permet un déploiement en une à deux semaines, contre plusieurs mois, voire années, pour les projets informatiques hospitaliers traditionnels.

    « Nous développons une technologie qui permet à des agents IA d’exécuter directement des tâches dans les logiciels hospitaliers, sans intégration lourde »

    Le codage conditionne directement les revenus des établissements de santé, représentant entre 60 % et 80 % de leurs recettes. Parallel déclare que son outil peut générer, en quelques mois, des centaines de milliers à plusieurs millions d’euros de recettes supplémentaires. On passe donc d’un discours sur les modèles à un discours sur la valeur captée.

    La feuille de route repose sur une approche verticalisée : adresser un cas d’usage critique, démontrer rapidement sa valeur économique, puis étendre progressivement le périmètre fonctionnel avec de nouveaux agents.

    Au-delà du codage médical, la startup prévoit d’étendre ses agents à d’autres fonctions administratives : facturation, admissions, gestion des dossiers patients.

    Un grand marché, un besoin urgent, un ROI mesurable, une adoption rapide, une architecture différenciante et un potentiel d’expansion internationale … Un dossier solide pour les investisseurs

    Positionnée sur l’IA administrative et moins d’un an après sa création, la start-up affiche une adoption fulgurante, portée par la rapidité de déploiement et un impact financier direct.

    Un produit déployé dans une quarantaine d’établissements, publics et privés, moins d’un an après la création, c’est en soi un signal. Le secteur hospitalier est réputé lent, prudent, fragmenté et contraint. Une adoption rapide dans cet univers donne du crédit à la proposition de valeur.

    Cette stratégie suppose toutefois de maintenir un niveau d’exécution homogène sur des workflows variés, de s’adapter aux spécificités locales des systèmes de santé et de construire des barrières à l’entrée dans un marché fragmenté.

  • Pilotage hospitalier : l’Anap déploie “Votre Cockpit DATA”, une plateforme avec 100 indicateurs de performance

    L’Agence nationale d’appui à la performance des établissements de santé et médico-sociaux lance une offre autour de la donnée pour améliorer le pilotage des établissements de santé.

    Si les données sont disponibles, leur exploitation reste limitée. Les équipes consacrent encore trop de temps à la collecte et à la fiabilisation, au détriment de l’analyse et de la prise de décision indique l’Anap.

    La plateforme « Votre Cockpit DATA » vise à centraliser les données dans un environnement unique.

    Pour l’Anap, la structuration et la centralisation des données doivent permettre aux établissements de renforcer leur capacité d’anticipation et d’arbitrage.

    L’objectif est de diffuser une culture du pilotage par la donnée et d’améliorer l’appropriation des indicateurs dans les décisions opérationnelles.

    Ces indicateurs servent à répondre à deux questions : combien on produit (volume), à quel coût / efficacité (durées, finance)

    La plateforme propose :

    • 100 indicateurs prêts à l’emploi, régulièrement mis à jour.
    • Une structuration par grands champs d’activité : MCO, psychiatrie, SMR et HAD
    • Des données sur les volumes d’activité, les durées de séjour, la valorisation financière ou encore le nombre de journées.

    La plateforme inclut une application spécifique pour le pilotage financier des établissements publics de santé. Elle permet notamment :

    • L’automatisation du suivi des neuf indicateurs de référence issus de la circulaire d’avril 2024 sur l’efficience.
    • L’accès à des données peu exploitées jusqu’ici (stocks, comptes de tiers, bilan).
    • L’intégration d’indicateurs d’alerte mensuels, qui facilite le suivi de la trésorerie.

     

    L’Anap prévoit d’enrichir la plateforme avec de nouvelles applications dédiées, notamment au “pilotage des blocs opératoires” et à la “performance des services de biologie médicale”

    Un socle d’indicateurs pour relier performance et organisation des soins

    La valorisation des données hospitalières repose sur un socle d’indicateurs déjà disponibles dans les systèmes d’information. Côté financier, plusieurs métriques issues des référentiels publics permettent de suivre l’équilibre de l’établissement (résultat consolidé, taux de déficit), sa capacité d’investissement ou encore la gestion des flux (délais de paiement, fonds de roulement).

    Au-delà de ce socle, des indicateurs opérationnels permettent d’affiner le pilotage. Dans les activités MCO, ils couvrent le volume (séjours, taux d’ambulatoire), l’attractivité (file active, parts de marché), la valorisation (recettes) et l’efficience des parcours (durée moyenne de séjour). Des logiques similaires se retrouvent en psychiatrie, en HAD ou en SMR, avec des adaptations aux spécificités de chaque activité, notamment sur les durées de prise en charge, l’intensité des soins ou la structuration du codage.

    L’enjeu n’est pas tant la disponibilité de ces indicateurs que leur articulation. Croisés et restitués dans des outils de pilotage.

    Masterclass et newsletter

    Au-delà de l’outil, l’Anap déploie une offre d’accompagnement :

    • Une masterclass “Piloter par la DATA : décider vite, agir juste”, destinée aux dirigeants hospitaliers.
    • Et une newsletter mensuelle, lancée le 24 mars, centrée sur les usages concrets et les évolutions de la plateforme.

    Les prochaines dates des sessions de la masterclass

    Anap : Votre cockpit data

  • Biopsie liquide et IA, vers un diagnostic précoce des cancers cérébraux

    Une biopsie liquide enrichie par l’IA

    Selon l’Organisation mondiale de la Santé (OMS), les cancers cérébraux représentent environ 300 000 nouveaux cas annuels, avec plus de 60 % diagnostiqués tardivement, ce qui aggrave leur pronostic. Les approches actuelles reposent sur l’imagerie et des biopsies invasives, peu adaptées au dépistage précoce.

    Les chercheurs du Centre de cancérologie Kimmel de Johns Hopkins ont développé une technologie de diagnostic in vitro capable de détecter des tumeurs cérébrales via un simple prélèvement sanguin, en franchissant indirectement la barrière hémato-encéphalique. Cette approche repose sur :

    • L’analyse de l’ADN tumoral circulant et immunitaire.
    • Des algorithmes d’apprentissage automatique identifiant des signatures génomiques spécifiques.
    • La détection d’altérations immunitaires périphériques associées.

    Une validation clinique multicentrique

    L’évaluation a porté sur :

    • Une cohorte principale de 505 patients (États-Unis, Corée du Sud).
    • Une cohorte de validation de 95 patients polonais.

    Les résultats, publiés dans Cancer Discovery, montrent une sensibilité nettement supérieure aux standards, avec une augmentation significative des cas détectés.

    Les perspectives en diagnostic in vitro

    Cette innovation pourrait transformer la prise en charge grâce à :

    • Un dépistage précoce, non invasif et reproductible.
    • Une meilleure orientation vers l’imagerie cérébrale.
    • Une intégration dans des essais prospectifs à grande échelle.

    À terme, cette stratégie pourrait redéfinir les standards du diagnostic des cancers cérébraux.

  • Étude : l’usage de l’IA en radiologie modifie l’évaluation de la faute médicale (Nature Health)

    Publiée le 10 mars 2026 dans Nature Health, leur étude* indique qu’une double lecture (avant et après l’IA) diminue significativement le risque que le radiologue soit jugé fautif.

    L’intégration de l’intelligence artificielle en radiologie s’accélère, avec des outils capables d’analyser des images médicales et de signaler des anomalies, comme des hémorragies cérébrales sur scanner. Si ces systèmes sont principalement évalués sur leurs performances diagnostiques, leur impact sur les pratiques professionnelles et la responsabilité médicale reste encore peu documenté.

    A l’ère de l’interaction radiologues et algorithmes

    Dans ce contexte, l’usage concret de l’IA — notamment le moment où elle intervient dans l’interprétation des images — pourrait influencer la manière dont une erreur est jugée. Cette question est d’autant plus centrale que les décisions médicales reposent de plus en plus sur une interaction entre le radiologue et des systèmes algorithmiques.

    Des chercheurs du Penn State College of Medicine, de l’université Brown et de Seton Hall ont donc mené une expérience auprès de 282 participants recrutés aux États-Unis, considérés comme des jurés fictifs. Chaque participant devait évaluer un cas hypothétique de faute médicale impliquant un radiologue.

    Dans ce scénario, un patient subissait des lésions cérébrales irréversibles après qu’une hémorragie n’a pas été détectée sur un scanner, alors qu’un système d’intelligence artificielle avait correctement signalé l’anomalie.

    Deux conditions étaient testées. Dans la première, le radiologue interprétait l’image une seule fois après avoir pris connaissance de l’analyse de l’IA. Dans la seconde, il réalisait une double lecture : une première sans IA, puis une seconde après avoir consulté le résultat de l’IA. Les participants devaient indiquer si le radiologue avait respecté son obligation de diligence (« duty of care »), en répondant par oui ou non.

    Les résultats de leur travail ont été publié le 10 mars dans Nature Health

    Résultats : une probabilité de mise en cause plus élevée en cas de lecture unique

    • 74,7 % des participants jugent le radiologue responsable lorsqu’il interprète le scanner une seule fois après l’avis de l’IA
    • 52,9 % le jugent responsable lorsqu’il réalise une double lecture (avant puis après l’IA) ; une différence statistiquement significative, avec un risque multiplié par 2,6) en cas de lecture unique.

    Ces résultats suggèrent que la manière d’intégrer l’IA dans le workflow en radiologie pourrait devenir un levier de gestion du risque médico-légal. En pratique, des protocoles de double lecture — avant puis après l’avis de l’IA — pourraient être privilégiés pour sécuriser la prise de décision.

    Suivre l’IA pour se protéger…

    Les auteurs de l’étude alertent également sur un possible effet de bord : « Les cliniciens pourraient se sentir incités à suivre les recommandations de l’IA afin de réduire leur exposition juridique, même lorsque leur jugement clinique pourrait les conduire à une conclusion différente ». Une telle évolution pourrait générer une augmentation des examens complémentaires, des coûts de santé et de l’anxiété chez les patients.

    Menée aux États-Unis, où les jurys populaires jouent un rôle central, cette étude ne reflète certes pas directement le fonctionnement de la justice française, davantage fondée sur l’expertise médicale. Elle met néanmoins en lumière un enjeu appelé à se poser dans tous les systèmes de santé : la place de l’IA dans la définition du standard de soin, et les conditions de son intégration dans les pratiques cliniques.

    * The radiologist–AI workflow and the risk of medical malpractice claims.

    Bernstein, M.H., Sheppard, B., Bruno, M.A. et al.

    Nat. Health (2026). https://doi.org/10.1038/s44360-026-00085-2

    https://www.nature.com/articles/s44360-026-00085-2