Articles

  • Quels KPI suivre pour piloter un projet IA de codage/RCM ?

    Performance IA (niveau modèle)

    • Metrics classiques de classification multiétiquettes : précision, rappel, F1 global et par code, avec distinction codes fréquents vs rares. 
    • Robustesse par souscatégorie (chapitres ICD, types d’actes), comme l’illustre l’étude GPT2 vs HAN détaillant les performances par bloc de la classification.  
    • Qualité des rationales de codage et taux de cohérence avec les rationales expertes lorsque cette dimension est évaluée. 

    KPI de cas d’usage (productivité, qualité, flux)

    • Productivité : temps de codage par séjour, nombre de séjours codés par ETP et par jour, réduction du backlog, part des séjours codés automatiquement ou semiautomatiquement. 
    • Qualité de codage : taux d’erreurs détectées en audit, exhaustivité des codes secondaires, taux de révisions après contrôle DIM, stabilité du CMI dans le temps. 
    • Flux RCM : taux de dossiers “dischargednotfinalbilled”, délais entre sortie et facturation, taux de rejets payeurs liés au codage, taux de firstpass yield. 

    KPI d’impact financier et RH

    • Impact financier direct : variation du revenu net par séjour, gain de CMI, réduction des pertes liées aux rejets et aux souscodages, ROI global (temps de retour sur investissement). 
    • Impact RH : réduction de la charge répétitive pour les codeurs, évolution du mix de compétences (plus d’analyse, moins de saisie), perception des équipes (acceptation, confiance). 

    Certains KPI sont largement universels (temps de codage, taux de rejets, F1 sur les codes principaux), ce qui permet des comparaisons entre pays. D’autres sont fortement contextuels, comme l’impact sur la valorisation PMSI/T2A en France ou les mécanismes spécifiques de partage de risque avec les payeurs dans les systèmes DRG nordaméricains ou nordiques. 

    Facteurs de risque et de succès : enseignements de l’observatoire 

    Même si les retours sont fragmentaires, les travaux récents sur l’IA en codage convergent vers plusieurs familles de facteurs. 

    Données 

    • Qualité, exhaustivité et structuration de la documentation clinique conditionnent directement la performance ; les modèles peinent sur les codes rares et les catégories peu représentées. 
    • Des cas illustrent comment des catégories avec très peu d’exemples d’entraînement (certains blocs ICD) restent mal performantes malgré de bons résultats globaux.  

    Technique 

    • Robustesse et explicabilité sont cruciales, surtout dans des contextes de financement et d’audit ; des travaux proposent des pipelines où des LLM vérifient et affinent des prédictions initiales pour améliorer la fiabilité. 
    • L’intégration SI (avec les logiciels de codage, les groupers, le DPI) est un déterminant clé d’adoption, davantage que la performance brute du modèle. 

    Clinique et organisationnelle 

    • Acceptabilité par les DIM et les codeurs dépend du positionnement de l’outil : les projets qui se construisent en coconception, avec des workflows centrés sur l’assistance et la priorisation, rencontrent moins de résistance que ceux qui visent un remplacement frontal. 
    • La charge cognitive et la gouvernance des corrections doivent être anticipées : qui a le dernier mot, comment les corrections humaines rétroalimentent les modèles, quelle traçabilité des décisions ? 

    Réglementaire et financière 

    • L’alignement avec les règles nationales (PMSI, DRG, exigences de documentation) et la capacité à produire des preuves auditables sont des prérequis, en particulier dans les environnements très régulés. 
    • Les modèles économiques doivent être compatibles avec les marges hospitalières et les modalités de financement ; les promesses de ROI (x5 sur l’investissement, plusieurs millions par an) affichées par certains acteurs doivent être examinées de manière critique et contextualisée. 

    En combinant ces éléments, on peut esquisser une matrice implicite : 

    • Lowrisk / highvalue : assistance au codage sur séjours simples, contrôle qualité a posteriori, priorisation des dossiers à vérifier. 
    • Highrisk / highvalue : optimisation DRG à fort enjeu financier, ajustements de codage en amont de la facturation, ajustement de CMI de niveau établissement. 
    • Highrisk / lowvalue : tentatives d’autocodage complet sans supervision sur cas complexes, surtout sans explicabilité ni cadre d’audit. 
    • Lowrisk / lowvalue : usages ponctuels type “chatbot codage” sans intégration SI. 

    Implications pour les acteurs  

    Pour les hôpitaux, DIM et directions 

    Les établissements ont intérêt à : 

    • Réaliser un diagnostic de maturité : niveau de structuration des données, pratiques actuelles de codage et de RCM, contraintes spécifiques (type de patients, multisites, GHT). 
    • Prioriser une feuille de route IA par cas d’usage : assistance au codage, contrôle qualité, prévention des rejets, en alignant les choix sur quelques KPI cibles (CMI, délais de facturation, taux de rejets, charge DIM). 
    • Encadrer les pilotes par une gouvernance claire (DIM, DSI, direction financière) et un protocole d’évaluation structuré (avant/après, groupe contrôle si possible, analyse des risques). 

    Pour les industriels et éditeurs 

    Les cas d’usage existants montrent que : 

    • Les hôpitaux attendent des solutions intégrées, interopérables avec leurs SI existants et adaptées aux spécificités nationales (PMSI, NordDRG, MSDRG, TwDRG). 
    • La différenciation se joue sur la capacité à démontrer un ROI crédible et mesuré (productivité, qualité, revenus), plutôt que sur l’originalité de l’algorithme seul. 
    • Des opportunités existent pour des offres de niche : établissements de taille moyenne, pays moins couverts, services d’audit indépendant de systèmes IA de codage pour régulateurs et payeurs. 

    Pour les régulateurs et payeurs 

    Les régulateurs peuvent utiliser l’IA : 

    • Pour améliorer la qualité des données de codage et la comparabilité interétablissement, via des outils de détection d’anomalies et de souscodage mis à disposition des DIM. 
    • Pour auditer les systèmes IA euxmêmes, en s’appuyant sur des benchmarks ouverts type NordDRG AI, et sur des cadres d’évaluation de robustesse et de fairness des LLM en codage. 
    • Pour encourager des modèles de financement qui valorisent la qualité du codage et la transparence des flux, plutôt que des mécanismes purement volumedriven. 

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

    Pourquoi le cas d’usage est stratégique mais peu déployé 

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

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

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

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

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

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

    Trois enseignements pour décideurs hospitaliers, DIM et régulateurs

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

    Trois implications business pour industriels 

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

    Comment cette analyse permet de passer à l’action

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

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

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

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

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

    Retrouver la liste des articles ici :

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

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

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

    RETEX Établissement : Centre Hospitalier de Troyes – Health & tech

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

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

  • France : PMSI, DIM et premiers déploiements IA

    Les DIM jouent un rôle central : pilotage du codage, contrôles qualité, gestion des atypies et lien avec la direction financière, dans un contexte de tension sur les ressources médicales et de montée des exigences de qualité des données. 

    Le débat sur l’usage des LLM généralistes pour le PMSI illustre bien les tensions actuelles : certains tests exploratoires montrent des capacités pédagogiques et d’aide ponctuelle au codage, mais jugent ces outils encore très loin d’un usage opérationnel sécurisé pour du codage semi automatisé. 

    Solutions de marché et initiatives observées 

    Plusieurs acteurs français positionnent des solutions IA autour du PMSI : 

    • Outils comme Cod+, issus de la consolidation de plusieurs éditeurs, proposent un environnement intégré de codage PMSI par IA, couvrant primocodage enrichi (DP, DR, DAS), listes de travail, contrôles qualité et suivi de performance, avec interopérabilité SIH. 
    • Des démonstrations récentes (par exemple l’interaction entre un front PMSI et une IA de type SANCARE ou équivalent) visent à automatiser partiellement le codage des séjours simples, à générer des alertes sur les atypies et à recentrer les médecins DIM sur les cas complexes et l’analyse stratégique. 
    • En dehors du codage strict, différentes initiatives explorent l’usage de l’IA pour requêtes PMSI complexes, aide à la recherche clinique, ou détection de profils de séjours atypiques, permettant d’orienter les efforts de recodage ou d’audit. 

    Les retours d’expérience détaillés restent encore peu publiés, souvent limités à des webinaires ou communications industrielles, ce qui réduit la visibilité sur les impacts quantifiés dans le contexte français. 

    KPI observés, freins et opportunités 

    Les KPI mis en avant par les solutions centrées PMSI incluent : 

    • Gain de temps par séjour codé, réduction du backlog, réallocation du temps DIM vers des tâches analytiques. 
    • Amélioration de la qualité et de l’exhaustivité du codage (réduction des erreurs, détection de souscodage), avec impact attendu sur le CMI et la valorisation T2A. 
    • Capacité à suivre des plans d’assurance qualité PMSI, via des modules dédiés et des tableaux de bord intégrés. 

    Les freins majeurs identifiés : 

    • Acceptabilité des médecins et TIM, préoccupés par le risque de “boîte noire” et la perte de maîtrise du codage, d’autant plus que les sanctions en cas d’erreurs peuvent être significatives. 
    • Contraintes réglementaires françaises (cadre PMSI, contrôles externes, évolutions annuelles des règles) qui exigent des solutions constamment mises à jour et auditables, ce qui favorise une approche conservatrice. 
    • Qualité et hétérogénéité des données sources, notamment lorsque la documentation clinique reste partiellement structurée ou saisie sous forme narrative non standardisée. 

    Les opportunités restent néanmoins fortes, notamment dans les GHT et réseaux hospitaliers qui cherchent à harmoniser les pratiques de codage et à mutualiser les ressources DIM. (Voir Retex CH de Troyes, Peer Review CH).

     

  • Codage médical par IA : 5 solutions en France

    Le codage médical, indispensable à la facturation, au suivi épidémiologique et à l’analyse de performance, représente un poste administratif important pour les établissements de santé. En France, il mobilise des milliers de médecins et de techniciens d’information médicale (TIM).  L’intelligence artificielle promet de bouleverser ces processus, avec des gains de temps pouvant atteindre 50 à 70% et des revalorisations financières qui se chiffrent en millions. Cet article passe en revue les principales solutions d’IA utilisées en France appliquées au codage médical, leur technologie, leurs résultats chiffrés et leurs déploiements hospitaliers. 

    Codage Médical (Parallel) : L’agent IA qui « clique » à la place du TIM 

    Parallel, startup française (ex-Kiosk Medical), développe un agent IA qui automatise le codage médical PMSI ( Programme de médicalisation des systèmes d’information) de bout en bout. L’agent lit l’intégralité du dossier médical, identifie les diagnostics et actes correspondants, puis saisit les codes directement dans le logiciel PMSI de l’établissement.

    L’originalité de Parallel réside dans son approche « Computer Use » : les agents IA interagissent avec les logiciels hospitaliers comme des humains ils naviguent entre les écrans, cliquent sur les boutons et remplissent les champs. Cette approche contourne le problème des systèmes informatiques hospitaliers obsolètes et dépourvus d’API performantes. 

    LLM et IA générative

    Parallel s’appuie sur les grands modèles de langage (LLM) et l’IA générative pour structurer l’information médicale (radios, opérations, consultations). L’approche « Computer Use » utilise des modèles multimodaux capables de « voir » l’écran et d’interagir avec l’interface graphique des logiciels existants.

    Une solution utilisée par le GHICL

    L’entreprise a effectué son premier déploiement au GHICL (Groupement des hôpitaux de l’Institut Catholique de Lille), avec le Dr Louis Rousselet, chef du département d’information médicale. La startup est en phase de recrutement de TIM pour des prestations de codage MCO (Médecine, Chirurgie, Obstétrique et Odontologie ).

    3,5 millions d’euros levés en 2025

    Parallel ne publie pas encore de chiffres de ROI, la solution étant en phase de déploiement initial. La startup a levé 3,5 M d’euros en amorçage en avril 2025.

     

    Sclépios IA : La cotation des urgences par les urgentistes 

    Sclépios IA, créée par le Dr Andréï Galindo (urgentiste) et Jonathan Coviaux, propose Pulsar IA, une extension logicielle intégrée au DPI existant qui optimise la gestion hospitalière aux urgences et en hospitalisation. La solution automatise la rédaction des comptes rendus médicaux, insère les bons mots-clés PMSI et optimise la cotation des actes. Elle propose également des fonctionnalités complémentaires : aide au tri IOA (infirmier Organisateur de l’Accueil), dictée vocale, import automatique de données et OCR (Reconnaissance Optique de Caractères) d’ordonnances. 

    Un LLM pour optimiser la cotation

    Sclépios IA utilise des technologies basées sur les LLM (grands modèles de langage) pour l’analyse de données médicales, la génération de recommandations personnalisées et l’optimisation de la cotation. 

    Une surcouche du DPI

    Pulsar IA est conçue comme une surcouche du DPI existant, sans nécessiter de changement de logiciel. C’est une extension qui s’ajoute au système en place. 

    Une solution déjà déployées à la Polyclinique de la Clarence à Divion

    Premier déploiement à la Polyclinique de la Clarence à Divion (Groupe AHNAC). Discussions en cours avec l’Hôpital Foch, ainsi qu’une trentaine de structures de soins représentant près de 2 millions de séjours aux urgences annuels. 

    Gains chiffrés revendiqués 

    • Jusqu’à 100 € supplémentaires facturés par passage patient aux urgences 
    • Prévention d’indus pouvant atteindre plusieurs millions d’euros en SMR 
    • Tarification SaaS basée sur le nombre de séjours aux urgences et en hospitalisation 

     

    Sancare : Le machine learning probabiliste au service du DIM 

    Sancare est un logiciel d’aide au codage des séjours hospitaliers destiné aux DIM. Il automatise une partie du codage pour les cas à haut niveau de confiance et propose des suggestions de revalorisation pour les séjours potentiellement sous-codés. L’ensemble du processus est tracé pour faciliter les contrôles externes. 

    Machine Learning et NLP

    Le moteur de Sancare repose sur le machine learning probabiliste et le NLP. L’algorithme apprend à prédire les bons codes à partir de gros volumes de données du DPI (comptes rendus, notes médicales, résultats d’examens, prescriptions, dossier infirmier), sans aucune indication préalable. Il extrait une « empreinte » riche en informations, adaptée à l’interprétation statistique, qu’il sait relier aux codes avec un fort taux de fiabilité.

    Un partenariat avec Dedalus

    Sancare travaille au sein du système d’informations de l’établissement, sans transfert de données à l’extérieur. Un partenariat stratégique avec Dedalus (leader des solutions PMSI en France, 400 établissements) a été annoncé en janvier 2025 pour une intégration directe dans l’environnement PMSI Dedalus. 

    Sancare se positionne comme leader en France des outils d’aide au codage par IA et équipe des établissements MCO et SMR. Via le partenariat avec Dedalus, la cible atteint près de 400 établissements publics, privés et ESPIC. 

    Gains chiffrés revendiqués 

    Sancare vise une économie de 0,5% des dépenses des établissements de santé, par l’automatisation et la réduction des oublis de facturation. Pour les hôpitaux français représentant un marché total de 70 milliards d’euros (public et privé), ce potentiel est significatif. 

    Un jugement de redressement judiciaire a été prononcé en décembre 2025 par le tribunal de commerce d’Évry. Un redressement judiciaire peux avoir plusieurs causes différentes, et n’est pas systématiquement synonyme de faillite à venir, mais reste malgré tout un signe de difficultées financières. 

     

    Cod+ (Ospi)  

    Cod+ est la solution intégrée d’Ospi dédiée au codage PMSI (Programme de Médicalisation des Systèmes d’Information) par intelligence artificielle, lancée en 2024. Elle réunit les fonctionnalités historiques de PMSIpilot (analyse PMSI) et d’Intelligence for Health (IA de codage développée par Collective Thinking). Cod+ couvre l’intégralité de la chaîne PMSI en MCO et SMR (Service Médical Rendu) : primo-codage enrichi des diagnostics principaux (DP), diagnostics reliés (DR) et diagnostics associés significatifs (DAS), plus de 800 règles de contrôle qualité, un module dédié au plan d’assurance qualité (CAC), et des listes de travail prédéfinies. 

    La solution propose trois modes de fonctionnement selon la complexité du séjour : 

    • Automatisation complète des séjours simples (< 3 nuits : cataractes, syndrome du canal carpien). Revendication :  <99% de précision. 
    • Automatisation supervisée des séjours intermédiaires (fractures fermées, etc.)  Revendication : 85% de précision 
    • Assistance au codage pour les séjours complexes (> 3 nuits) Revendication :  précision < 80%, temps gagné ~40% 

    Un NLP dévellopé par Collective Thinking

    Ospi s’appuie sur des technologies avancées de NLP (traitement automatique du langage naturel) développées par Collective Thinking, société d’IA spécialisée dans le traitement de données de santé textuelles et structurées. La plateforme embarque une dizaine d’intelligences artificielles dédiées, capables d’analyser les données hétérogènes du dossier patient (comptes rendus, notes médicales, résultats d’examens) pour en extraire les codes PMSI pertinents. 

    Un partenariat avec Berger-Levrault

    Cod+ est décrite comme « totalement interopérable avec le système d’information hospitalier ». Un partenariat stratégique avec Berger-Levrault (éditeur majeur de DPI et GAP pour le privé) a été signé en mars 2025 pour garantir une intégration native dans l’environnement DPI/GAP des cliniques privées. 

    Plus de 200 établissements

    Ospi est déployé dans plus de 1 100 hôpitaux publics, 80% des GHT et CHU, et plus de 100 hôpitaux privés en France. Cod+ comptait plus de 200 établissements déployés début 2025. Parmi les références citées : le CH de Rambouillet (Dr Nicolas Halys), le CH de Haute-Marne (Dr Nicolas Petit), le Groupe Hospi Grand Ouest (Dr Georges Legrand) et le CHI de Créteil (Dr Mathilde Rousseau). 

    Gains chiffrés revendiqués 

    • 46% de gain de temps au codage par dossier 
    • 50% d’automatisation sur les séjours simples 
    • 2,4 M€ revalorisés en 3 semaines pour un CHU utilisateur 
    • Gain moyen de 1 500 € par séjour revalorisé 
    • 30% de gain financier sur les séjours revalorisés.

     

    Medicode (Kaduceo)  

    Medicode automatise le codage de l’activité hospitalière à partir des comptes rendus médicaux et des lettres de sortie. La solution identifie les diagnostics et les procédures dans le texte clinique, puis propose les codes correspondants accompagnés d’un score de fiabilité permettant au praticien de garder le contrôle. 

    Medicode fait partie d’un triptyque de solutions Kaduceo : QualiLdS (vérification qualité des lettres de sortie), SynthEZ (génération de comptes rendus synthétiques) et Medicode (codage). 

    IA générative et NLP

    Kaduceo utilise l’IA générative et le NLP pour analyser les textes médicaux. La technologie est qualifiée de 100% française et souveraine, avec un hébergement conforme aux exigences de sécurité du secteur de la santé. Matthieu Ortala, CEO de Kaduceo, décrit l’approche comme une automatisation et fiabilisation des tâches obligatoires et répétitives par IA.

    Une solution Saas

    Medicode est disponible en mode SaaS ou interopérable via des connecteurs HL7. L’API s’implémente « en quelques minutes » selon l’éditeur. La solution est également disponible en marque blanche. 

    4 établissements pionniers

    Quatre établissements pionniers : la Clinique Pasteur de Toulouse et le CHI de Créteil sont les principaux cités. 

    Solutions et des cas d’usage de l’IA en codage médical

  • RETEX Établissement : Centre Hospitalier de Troyes

    @Health&Tech Intelligence – Retex CH de Troyes

    Établissement : Centre Hospitalier de Troyes (GHT)
    Interlocuteur : David Laplanche
    Périmètre : IA codage PMSI, OSPI Cod+, exploitation de données structurées et non structurées
    Maturité : Usage en routine depuis 2024, passage multiEJ en 2025 

    Idées clés 

    • Un modèle organisationnel centralisé (10 techniciens d’information médicale, équipe pluridisciplinaire, couverture Groupement Hospitalier de Territoire complète) constitue un prérequis à l’intégration réussie de l’IA dans le codage.
    • L’IA est utilisée en surlecture postcodage, non en codage automatique, y compris sur les actes répétitifs : le taux d’erreur de 6% sur la chimiothérapie est jugé trop élevé pour basculer en automatisation, malgré un potentiel de gain majeur ( Hôpital De Jour, actes standardisés).
    • OSPI Cod+ dépasse le rôle de simple outil de codage pour devenir une brique de comptabilité analytique, de contrôle qualité et de pilotage médicoéconomique à l’échelle du GHT.
    • La 1ʳᵉ campagne de revalorisation (janvier 2025, sur l’année 2024) a généré 600 k€ sur 2 500 dossiers ; la 2ᵉ campagne (fin sept. 2025, M1–M8 2025) a produit 520 k€ sur 1 600 dossiers, 800 k€ estimé sur 2025.

    Fiche d’identité du cas d’usage 

    Champ  Détail 
    ID Observatoire  À attribuer (interne)  
    Année de déploiement  2024 (routine), 2025 (multiEJ) 
    Pays  France 
    Type d’établissement  CH public, tête de GHT 
    Niveau de soins  MCO toutes spécialités (hors chirurgie cardiaque → CHU), psychiatrie 
    Domaine  Codage PMSI, contrôle qualité, comptabilité analytique 
    Solutions utilisées  CORA PMSI (codage/groupage), OSPI Cod+ (analytique/contrôle), PSIH (historique DIM), AIR (indicateurs), EDS (données non structurées), DXCare/ passage HM/Softway en cours dans le GHT 
    Type d’IA  IA de surlecture intégrée à CORA (initialement I4H, puis COD+) 
    Objectif principal  Sécurisation du codage, détection d’oublis 
    Métriques clés  600 k€ / 2 500 dossiers (campagne 1) ; 520 k€ / 1 600 dossiers (campagne 2)  
    Maturité  Déploiement multisites avec impact chiffré 

    Contexte organisationnel 

    Équipe et gouvernance 

    Le CH de Troyes a structuré un pôle de santé publique intégrant recherche clinique (4 assistants de recherche clinique, dont 1 data scientist), archives médicales et coordination ville/hôpital. Le Département d’Information Médicale a été mutualisé sur le territoire dès 2013, puis renforcé par étapes :

    • 2015 : direction commune et création du DIM de territoire.
    • 2016 : outil unique de codage et solution de suivi médicoéconomique.
    • 2019 : premières utilisations de données de santé (COCOC) et premiers outils d’IA.
    • 2020 : initiation de l’entrepôt de données de santé (EHOP).
    • 2024 : utilisation de l’IA en routine.
    • 2025 : passage en multiEJ pour les outils de codage et de pilotage.

    L’équipe opérationnelle se compose d’environ 10 TIM, 1 à 2 infirmières d’Assistance aux Malades en Ambulatoire. 1 sagefemme et 1 datamanager. Le codage est centralisé pour toutes les spécialités du GHT, organisé à la séquence de soins ou au séjour complet, couvrant toutes les Unité Médicale traversées par le patient. Chaque TIM suit les patients sur l’ensemble de leur parcours et se voit affecter des séjours de manière aléatoire, assurant une répartition équitable et un contrôle qualité homogène.

    Socle d’outils 

    Outil  Fonction 
    CORA PMSI  Codage, groupage, contrôle qualité — version multientités juridiques 
    OSPI Cod+  Comptabilité analytique, contrôle qualité complémentaire, pilotage médicoéconomique 
    PSIH  Historique DIM, analyses rétrospectives pluriannuelles 
    AIR / DIM Package  Production automatisée d’indicateurs, alimentation BI 
    EDS (EHOP)  Accès aux données non structurées (comptes rendus, notes médicales, transmissions) 
    DXCare / HM / Softway  DPI et sources cliniques (dont psychiatrie) 

    Parcours d’adoption de l’IA codage 

    Phase d’évaluation (2019–2022) 

    Dès 2019, l’établissement reçoit les premières sollicitations d’éditeurs. En 2022, un comparatif sur M1 oppose deux solutions d’IA — Sancare et Collective Thinking. Le constat est que peu de différences de revalorisation moyenne existent entre les deux, mais que le ciblage des dossiers diffère (environ 300 € en moyenne par dossier ouvert, 15% des dossiers modifiés). Le choix se porte sur la solution la mieux intégrée à CORA PMSI, critère déterminant pour l’équipe de codage.

    Phase de test (2022–2024) 

    Pendant deux ans, l’équipe constate une instabilité de la solution et une intégration perfectible. Elle engage une réflexion sur le process d’utilisation de l’IA en définissant un workflow séquentiel strict :

    CODAGE → GROUPAGE → CONTRÔLES QUALITÉ → TEST IA 

    Ce positionnement de l’IA en bout de chaîne traduit une réticence assumée à recevoir les propositions IA directement en phase de codage. L’IA est conçue comme une étape de complément, pas comme un codage automatique : la preuve est historisée et traçable.

    Phase de routine (2024–2025) 

    En 2024, l’établissement adopte l’outil médicoéconomique OSPI au niveau GHT et bascule la solution d’IA d’I4H vers COD+. Les résultats sont tangibles :

    Campagne  Période couverte  Dossiers traités  Revalorisation 
    1ʳᵉ campagne (janv. 2025)  Année 2024  2 500  600 k€ 
    2ᵉ campagne (sept. 2025)  M1–M8 2025  1 600  520 k€ 

    La réflexion porte désormais sur la fréquence d’utilisation (mensuelle vs trimestrielle) et sur la stabilisation des paramétrages et règles.

    Analyse des usages IA et de leur acceptabilité 

    Surlecture et détection d’oublis 

    L’IA est utilisée par les médecins DIM en fin de codage (jamais par les TIM directement). Les propositions sont transmises mensuellement. Sur les oublis de codes, le taux de pertinence est jugé très élevé : quand le dossier est repris, “l’IA a raison dans quasiment 100% des cas aujourd’hui”. L’IA sécurise le codage dans son ensemble, y compris parfois avec une valorisation négative (correction d’erreurs de surcodage), ce qui renforce la crédibilité de l’outil.

    Changement de diagnostic principal 

    Les propositions de modification du diagnostic principal sont en revanche peu testées et jugées peu fiables, générant du bruit. Ce point constitue une limite fonctionnelle claire de l’IA actuelle dans cet établissement.

    Codage automatisé : un potentiel majeur encore bloqué par le taux d’erreur 

    Sur les actes de chimiothérapie, l’IA atteint 94% de fiabilité sur environ 1 000 actes par mois. Bien que ce volume rende la saisie manuelle très lourde, l’établissement considère que 6% d’erreur sur 1 000 dossiers reste trop élevé pour basculer en codage automatique. Le risque d’erreurs en cascade, la nécessité de retraitement et les enjeux de fiabilité des données PMSI rendent cette marge inacceptable en l’état.

    Ce constat est d’autant plus significatif que le potentiel de gain serait majeur : les activités d’hôpital de jour (HDJ), la chimiothérapie et certains actes chirurgicaux standardisés (par exemple le canal carpien) représentent des segments à fort volume et forte répétitivité, idéalement éligibles à l’automatisation.

    En résumé : le codage automatisé est identifié comme un levier d’avenir, mais il reste aujourd’hui non utilisé au CH de Troyes. L’IA demeure strictement cantonnée à un rôle de surlecture et de détection d’anomalies. 

    Centralisation vs décentralisation : un enseignement clé 

    L’expérience de Troyes dégage un principe important : 

    • Organisation centralisée → l’IA est utilisée pour améliorer la qualité du codage (surlecture, détection d’oublis, sécurisation).
    • Organisation décentralisée → l’IA tend à être positionnée comme un outil financier pur (optimisation de valorisation), avec un risque accru de défiance médicale et de biais.

    Facteurs de succès et facteurs de risque 

    Facteurs de succès 

    Famille  Facteur  Illustration CH Troyes 
    Organisation  Centralisation du codage à l’échelle GHT  Toutes spécialités couvertes, suivi patient complet 
    Outillage  Intégration native IA–outil de codage  Choix de la solution intégrée à CORA comme critère premier 
    Process  Workflow séquentiel (codage → contrôle → IA)  Réticence assumée au codage IA direct, IA en “complément” 
    Gouvernance  Évaluation explicite de la maturité de l’équipe  Grille : compétences, process, acceptabilité, sécurisation recette 
    Données  EDS et accès aux données non structurées  Exploitation des comptes rendus, notes médicales, transmissions 
    Historisation  Traçabilité des preuves et des corrections  Chaque proposition IA documentée et archivée 

    Grille de KPI observés 

    Catégorie  KPI  Valeur observée  Commentaire 
    Impact financier  Revalorisation par campagne  600 k€ (2 500 doss.), 520 k€ (1 600 doss.)  Deux campagnes successives, tendance stable 
    Fiabilité IA  Taux de fiabilité codage auto chimio  94% (~1 000 actes/mois)  Jugé insuffisant pour basculer en automatique (6% d’erreur inacceptable) 
    Qualité  Taux de pertinence IA sur oublis  ~100% (estimation terrain)  Source : retour d’expérience 
    Qualité  Taux de pertinence IA sur changement Diagnostic Principal  Non mesuré (non testé)  Jugé peu fiable par les utilisateurs 
    Acceptabilité  Utilisateurs effectifs de l’IA  Médecins DIM uniquement  TIM ne sont plus impliqués  
    Fréquence  Rythme de transmission  Mensuel (100% des propositions)  Réflexion en cours sur passage trimestriel 

     Matrice maturité / valeur pour la cartographie HTI 

    Usage IA  Maturité  Valeur potentielle  Risque 
    Surlecture postcodage (oublis)  Élevée — routine  Élevée — sécurisation + revalorisation  Faible 
    Codage auto actes répétitifs (chimio, HDJ)  Faible — non utilisé (fiabilité insuffisante)  Très élevée — gain de productivité majeur si fiabilité atteinte  Élevé (6% d’erreur, risque en cascade) 
    Changement de diagnostic principal  Faible — non testé  Incertaine  Élevé (bruit, acceptabilité) 
    Comptabilité analytique via OSPI  Élevée — en place  Moyenne à élevée — pilotage GHT  Faible 
    Exploitation données non structurées (EDS)  Moyenne — en développement  Élevée — enrichissement du PMSI  Moyen (qualité des données, délais) 

    Ce RETEX a été formalisé par Health & Tech Intelligence (HTI) à partir d’un entretien avec David Laplanche (CH de Troyes). Les données chiffrées proviennent de communications de l’établissement.  

    Nota : Des outils d’IA ont été mobilisés pour la recherche documentaire et la structuration des informations, l’analyse et les conclusions restant du ressort des équipes Health&Tech intelligence et de relecteurs DIM. 

  • Cartographie des cas d’usage IA en codage médical : benchmark international

    Cette cartographie structurée recense les cas d’usage documentés de l’intelligence artificielle appliquée au codage médico-administratif et au revenue cycle management (RCM), issus de la revue de littérature internationale et des retours d’expérience identifiés depuis 2023. Cette analyse a été complétée et revue par deux médecins DIM français de CH, utilisateur et non utilisateur de solutions d’IA dédiée.  

    Le périmètre couvre la France, l’Europe (pays nordiques, Grèce), l’Amérique du Nord (États-Unis) et l’Asie (Taïwan), avec un focus sur les systèmes DRG-like : PMSI/CIM-10 FR, NordDRG, MS-DRG, Tw-DRG et G-DRG.   

    Analyse par famille de cas d’usage 

    Codage automatique / assisté ICD-10 

    Ce segment concentre la majorité des publications académiques et industrielles. Les approches vont du deep learning multi-label (CUS-FR-001) aux LLM fine-tunés comme DRG-LLaMA (CUS-ROW-002) ou GPT-2 appliqué au Tw-DRG (CUS-ROW-001). Les performances mesurées convergent vers un constat : les modèles atteignent des F1 élevés sur les codes fréquents (>0,85 sur le top 50), mais restent perfectibles sur les codes rares et les cas complexes (F1 global autour de 0,67). Aucun de ces cas n’a encore basculé vers un autocodage complet sans supervision humaine.  

    Contrôle qualité et détection d’anomalies 

    En France, les cas CUS-FR-002 (Cod+) et CUS-FR-003 (CHU Grenoble) illustrent un positionnement centré sur la détection des oublis de codes, des CMA manquantes et de la sous-valorisation. Ce segment présente le meilleur ratio risque/valeur : le ROI est rapide, le risque clinique est limité et le pilotage par KPI est immédiat. Le RETEX du CH de Troyes confirme ce constat terrain : l’IA en surlecture post-codage atteint un taux de pertinence « de quasiment 100% » sur les oublis de codes.  

    Groupage DRG et raisonnement tarifaire 

    Le benchmark NordDRG AI (CUS-EU-001) propose une approche originale : encapsuler les tables de définition DRG et les workflows de mise à jour dans un cadre d’évaluation standardisé pour tester les LLM. Les résultats sont encore insuffisants pour une automatisation, mais l’outil est utile pour comparer des copilotes IA avant déploiement en production. En Grèce (CUS-EU-002), une plateforme numérique d’audit a permis un reclassement significatif de DRG vers des groupes plus rémunérateurs.  

    Revenue Cycle Management (RCM) 

    Le cas le plus mature est celui d’Auburn Community Hospital (CUS-ROW-003), où l’intégration de l’IA et du RPA au cycle de facturation a produit des résultats mesurables : –50% de dossiers DNFB (discharged-not-final-billed), +40% de productivité des codeurs et +4,6% de CMI. Ce type de déploiement reste spécifique au contexte américain multi-payeurs, mais les KPI sont transposables à la logique PMSI française.  

    Matrice de positionnement : maturité × valeur × risque 

    Le croisement des cas d’usage par niveau de maturité et profil de risque/valeur permet d’identifier les segments les plus actionnables pour un établissement français.  

    Segment  Cas d’usage illustratifs  Maturité  Valeur potentielle  Risque 
    Low-risk / High-value  Surlecture post-codage, détection d’oublis (CUS-FR-002, CH Troyes)  Élevée – routine  Élevée – sécurisation + revalorisation  Faible 
    High-risk / High-value  Optimisation DRG/RCM à fort enjeu financier (CUS-ROW-003)  Élevée – opérationnel (USA)  Très élevée – productivité + CMI  Moyen (contexte réglementaire) 
    Medium-risk / High-value  Autocodage séjours simples (CUS-FR-002 mode auto)  Moyenne – supervisé  Élevée – gain productivité majeur  Moyen (6% erreur = trop élevé en routine) 
    High-risk / Low-value  Autocodage complet sans supervision, cas complexes  Faible – non utilisé  Incertaine  Élevé (codes rares, explicabilité) 
    Low-risk / Low-value  Chatbot codage ponctuel, usage LLM généraliste  Faible  Faible  Faible 

    Le tableau ci-dessous synthétise les principaux KPI rapportés par zone, permettant une lecture comparative rapide.  

    KPI  France (PMSI)  Europe (NordDRG/G-DRG)  USA (MS-DRG/RCM)  Taïwan (Tw-DRG) 
    Gain de temps codage  ≈ 46%/dossier (Cod+)  Non quantifié publiquement  –30% charge manuelle  Non quantifié 
    Automatisation séjours simples  ≈ 50% (Cod+)  N/A  N/A  60–75% principal correct 
    Revalorisation financière  +1 500 €/séjour ciblé ; 600 k€/campagne (CH Troyes)  Reclassement DRG significatif (Grèce)  +4,6% CMI ; millions $/an  N/A 
    Réduction rejets / DNFB  Non mesuré (FR)  N/A  –50% DNFB ; –30–50% rejets ICD-10  N/A 
    Performance IA (F1)  Amélioré vs baselines (pas de chiffre standardisé)  Insuffisant pour auto (NordDRG AI)  Top-1 ≈ 67% (DRG-LLaMA)  F1 global ≈ 0,67 ; F1 top 50 >0,85 
    Productivité codeurs  Non standardisé  Non quantifié  +40% (Auburn)  Réduction charge attestée 

    Convergences internationales 

    Trois constats se dégagent de l’ensemble des cas d’usage, toutes zones confondues :  

    • L’IA performante en codage repose systématiquement sur une hybridation règles + modèles : aucun déploiement opérationnel ne fonctionne sans moteur de règles encadrant les prédictions des modèles IA.
    • Le positionnement en assistance plutôt qu’en remplacement est le dénominateur commun de tous les projets ayant franchi le stade du pilote : l’IA propose, l’humain valide.
    • Les KPI de productivité et de qualité (temps de codage, taux d’erreurs, DNFB) sont plus robustes et plus comparables entre pays que les KPI financiers, qui dépendent fortement du contexte tarifaire local.

    Spécificités françaises 

    Le contexte PMSI impose des contraintes qui expliquent un retard apparent de maturité par rapport aux États-Unis :  

    • L’évolution annuelle des règles PMSI (codes, groupage, PLFSS/ONDAM) exige des solutions capables de ré-entraînement régulier, ce qui alourdit le coût total de possession. 
    • Les contrôles externes (CAC, Assurance maladie) imposent une traçabilité documentée de chaque décision de codage, rendant l’autocodage pur plus risqué en France qu’aux États-Unis. 
    • L’absence d’intégration des solutions tierces dans le DPI reste un frein opérationnel majeur, confirmé par les retours DIM. 

    Zones blanches de la littérature 

    Plusieurs lacunes sont identifiées dans le paysage actuel des cas d’usage :  

    • Allemagne (G-DRG) : des initiatives émergent autour du codage assisté ICD-10/OPS, mais la littérature publique détaillée reste pauvre. 
    • Canada : cité dans le périmètre de l’étude mais aucun cas d’usage formalisé n’a été identifié à ce stade. 
    • KPI de ROI dynamique : aucun cas d’usage ne présente un suivi longitudinal du ROI intégrant l’érosion potentielle des gains dans un système à enveloppe contrainte. 

    Nota méthodologique 

    Les cas d’usage identifiés proviennent de la revue de littérature internationale structurée par Health&Tech Intelligence, couvrant articles scientifiques, études de cas hospitalières, livres blancs d’éditeurs et documents institutionnels depuis 2023. Les chiffres d’impact provenant de communications d’éditeurs sont signalés comme tels et doivent être interprétés avec prudence. Des outils d’IA ont été mobilisés pour la recherche documentaire et la structuration des informations ; l’analyse et les conclusions restent du ressort des équipes HTI et des relecteurs DIM. 

    ID  Pays / zone  Système de paiement  Type de cas d’usage IA  Impact / métriques saillants 
    CUS-FR-001  France  PMSI (CIM‑10 FR)  Codage automatique/assisté ICD‑10 à partir des textes médicaux français (modèles de deep learning multi‑label). arxiv   F1 multi‑label significativement amélioré vs baselines, surtout pour les codes fréquents ; étude encore algorithmique, sans KPI de temps ni revenus. arxiv  
    CUS-FR-002  France  PMSI MCO  Suite Cod+ (Ospi) – primo‑codage IA, contrôle qualité, optimisation valorisation PMSI. ospi   Gains annoncés : ≈ 46% de temps gagné par dossier, ≈ 50% d’automatisation sur séjours simples, +1500 € de gain par séjour ciblé, >800 règles diagnostics sévérité 1‑3. ospi  
    CUS-FR-003  France  PMSI  Outil CHU Grenoble (Easily + recherche textuelle/IA) pour optimisation PMSI (détection CMA, sous‑valorisation). craim   KPI internes : orientation plus ciblée des contrôles qualité, amélioration de l’identification des CMA ; pas (encore) de chiffres standardisés de temps ou de revenu dans la présentation. craim  
    CUS-FR-004  France  PMSI  Projets ATIH d’IA pour codage automatisé de certaines informations PMSI + enquête flash 2024 sur outils IA de codage diagnostics. atih.sante+3  ATIH signale des travaux en cours sur l’IA pour codage automatisé et lance une enquête flash pour mesurer performances des outils IA sur le marché ; pas d’impacts chiffrés publiés à ce stade. atih.sante+1 
    CUS-EU-001  Nordiques (multi‑pays)  NordDRG  Benchmark NordDRG AI pour LLM : capacités de raisonnement DRG à partir de cas tests, règles et catalogues ICD‑10/NCSP. arxiv   Mesure de la précision d’assignation DRG ; résultats encore insuffisants pour une automatisation, mais utiles pour comparer des copilotes IA avant déploiement. arxiv  
    CUS-EU-002  Grèce  DRG grec (G‑DRG‑like)  Plateforme numérique spécialisée pour fiabiliser le codage DRG dans le déploiement national (audit et correction de codage). pmc.ncbi.nlm.nih   Reclassement significatif d’un nombre de DRG vers des groupes plus rémunérateurs après audit ; augmentation potentielle substantielle du revenu hospitalier (montant exact dépend des hôpitaux). pmc.ncbi.nlm.nih  
    CUS-ROW-001  Taïwan  Tw‑DRG  Autocodage et assistant DIM (GPT‑2, HAN) pour ICD‑10‑CM et Tw‑DRG : suggestion de codes, principal, MDC, intégration workflow. jmir   F1 global ≈ 0,67, F1 main code ≈ 0,58–0,62, ≈ 60–75% de séjours avec principal correct, κ MDC jusqu’à >0,81 pour certaines MDC ; déploiement local intégré au flux DIM. jmir  
    CUS-ROW-002  États‑Unis  MS‑DRG  DRG‑LLaMA : prédiction automatisée MS‑DRG à partir des notes (MIMIC‑IV). pmc.ncbi.nlm.nih   Amélioration relative ≈ +35–40% macro‑F1 vs modèles antérieurs ; top‑1 accuracy ≈ 67% pour DRG base et CC/MCC ; preuve de concept, pas de KPI de productivité. pmc.ncbi.nlm.nih  
    CUS-ROW-003  États‑Unis  MS‑DRG, RCM  Plateformes RCM avec IA (Auburn Community Hospital) : codage, DNFB, CMI. aha   –50% dossiers DNFB, +40% productivité des codeurs, +4,6% de CMI après intégration IA/RPA pour codage et cycle de facturation. aha 

    En Europe, les systèmes DRGlike sont largement répandus, mais avec des déclinaisons nationales (NordDRG, GDRG en Allemagne, groupes DRG nationaux en Grèce, pays d’Europe centrale, etc.), chacune avec ses règles et sa gouvernance. Le benchmark NordDRG AI illustre une approche structurée : il expose les tables de définition DRG et les workflows de mise à jour, et propose une suite de tests pour évaluer la capacité des LLM à suivre ces règles, avec une forte insistance sur la transparence et la reproductibilité. 

    Dans les pays nordiques, la combinaison d’un casemix partagé (NordDRG), de données hospitalières très structurées et d’une culture de benchmarking facilite les expérimentations IA sur le groupage, le contrôle qualité et l’analyse de coûts. L’IA est utilisée pour tester la robustesse du groupage, identifier des cas limites, et simuler l’impact de modifications tarifaires. Dans d’autres pays (Allemagne, Grèce, etc.), des initiatives émergent autour du codage assisté ICD10/OPS et de la détection d’anomalies de facturation, mais la littérature publique détaillée reste moins riche que pour les ÉtatsUnis ou les pays nordiques. 

    Comparée à la France, l’Europe “hors France” semble davantage centrée sur le DRG et la logique casemix comme objet principal de l’IA, là où la France reste concentrée sur la chaîne PMSI interne et les besoins spécifiques des DIM. Les différences de gouvernance (centralisée vs plus décentralisée) et de modèles de financement expliquent une partie de ces écarts. 

    ÉtatsUnis, Taïwan et autres pays : impacts financiers et opérationnels 

    ÉtatsUnis : RCM comme terrain d’élection 

    Aux ÉtatsUnis, le couple MSDRG / ICD10CM et un environnement de payeurs multiples font du RCM un terrain privilégié pour l’IA. Des solutions d’IA en codage et RCM rapportent : 

    • Réductions de 30–50% des rejets de codage ICD10 et des gains de 35% sur le taux de “firstpass yield”.  
    • Accélération de 25% des cycles de remboursement et baisse de 30% de la charge de travail manuelle des codeurs. 
    • Gains de revenu additionnel pouvant représenter 0,3–0,5 points de marge sur le chiffre d’affaires hospitalier, et plusieurs millions de dollars par an pour des systèmes multiétablissements. 

    Ces chiffres proviennent majoritairement de communications d’éditeurs et nécessitent prudence, mais ils indiquent un ordre de grandeur de l’impact potentiel lorsque l’IA est intimement intégrée au RCM (détection des risques de rejet, préscrubbing des demandes, recodage proactif). 

    Taïwan et TwDRG : étude structurée d’un système NLPdriven 

    L’étude de 2024 sur un système NLPdriven d’assistance au codage ICD10CM dans le contexte TwDRG fournit une évaluation rigoureuse : 

    • Les modèles HAN et GPT2 sont comparés à des modèles de référence et au codage humain, avec GPT2 atteignant un F1 global autour de 0,67 et des F1 supérieurs à 0,85 sur les 50 codes les plus fréquents. 
    • L’outil permet de réduire la charge de travail des codeurs et d’accélérer l’assignation TwDRG, tout en restant loin d’un remplacement complet de l’humain, notamment sur les codes rares et les cas complexes.  

    Cette étude met en lumière l’importance d’évaluer à la fois la performance globale et la performance par catégorie de codes, et d’intégrer l’IA comme support plutôt que substitut complet. 

    Autres contextes 

    Dans d’autres pays, l’IA en codage apparaît souvent couplée à des initiatives plus larges de digitalisation hospitalière : 

    • Utilisation de l’IA pour améliorer la qualité du codage en vue de comparaisons internationales et d’études d’efficience, dans des systèmes DRG déjà matures. 
    • Intérêt croissant des régulateurs pour des outils permettant d’auditer les performances des LLM et de vérifier la conformité aux règles de groupage et de tarification. 

    Ces expériences peuvent servir de référence haute pour l’Europe et la France, sous réserve d’adapter les cas d’usage aux contraintes locales (règles de financement, gouvernance des données, acceptabilité des parties prenantes). 

    Typologie des solutions observées 

    On peut distinguer plusieurs familles de solutions sur la période récente : 

    • Autocodage et codage assisté ICD10 / ICD10CM / CIM10 à partir des comptes rendus et données cliniques, utilisant des architectures deep learning (CNN, RNN, Transformers) et désormais des LLM généralistes ou spécialisés. 
    • Outils d’aide au codage pour les équipes DIM : suggestions de codes, listes de travail priorisées, contrôle qualité (détection d’atypies, codes incohérents, manques), souvent intégrés dans les plateformes PMSI ou les applications de codage. 
    • IA pour le groupage DRGlike : assistance au choix ou à la vérification du DRG, simulations d’impact de recodage, et plus récemment benchmarks type NordDRG AI pour tester la capacité des LLM à suivre la logique de groupers complets. 
    • Solutions RCM intégrées : moteurs d’IA appliqués au cycle de facturation, avec extraction sémantique des diagnostics/actes, détection de risques de rejet, prédiction des denials et workflows de correction avant émission de la facture. 

    Les cas d’usage couvrent ainsi la chaîne complète : de la production primaire du codage jusqu’à la valorisation financière et à la réduction des pertes de revenu. 

    Niveaux de maturité 

    Les niveaux de maturité varient : 

    • Preuves de concept académiques : essais d’autocodage sur bases anonymisées, souvent monocentriques, évaluant des modèles de deep learning ou de LLM sur des tâches ICD10/ICD10CM, avec des F1 globaux encore limités sur l’ensemble des codes, mais très honorables sur les codes fréquents. 
    • Pilotes intégrés dans 1–2 hôpitaux : par exemple, des systèmes NLPdriven d’assistance ICD10CM et TwDRG déployés dans des hôpitaux taïwanais, avec mesure de la charge de travail des codeurs, de la cohérence avec le codage humain et de la rapidité de traitement. 
    • Déploiements multisites et offres industrielles : solutions nordaméricaines et européennes intégrant IA de codage et RCM, avec claims de gains quantifiés sur les rejets, la productivité et le revenu net, parfois sur des réseaux hospitaliers complets. 

    La tendance majeure est le passage d’outils de codage “isolés” à des plateformes intégrées de revenue cycle, où l’IA est une couche transverse de détection, de recommandation et de contrôle. 

    Tendances technologiques 

    Trois évolutions technologiques se détachent : 

    • Montée en puissance des LLM spécialisés santé, capables de raisonner sur des combinaisons complexes de diagnostics et procédures et de générer des rationales de codage exploités pour la vérification et l’explicabilité. 
    • Intégration de l’IA dans les pipelines DRG : benchmarks comme NordDRG AI qui encapsulent les tables de définition DRG dans des cadres d’évaluation pour tester la capacité des modèles à reproduire une logique de groupage conforme aux règles nationales. 
    • Hybridation règles + IA : utilisation de moteurs de règles (editeurs/groupers) pour encadrer l’espace des codes possibles, l’IA venant proposer, prioriser et vérifier, plutôt que décider seule, ce qui est clé pour la conformité et l’audit. 

    Les différences de nomenclature/systèmes DRG par pays 

    Diversité des PMSI et nomenclatures : une même logique, des architectures radicalement différentes 

    Si tous les pays industrialisés partagent la même ambition fondatrice — mesurer l’activité médicale pour financer les établissements de santé et piloter les politiques de santé —, les systèmes mis en place divergent profondément dans leur architecture, leur granularité et leur histoire. La France constitue un cas particulier avec son PMSI, dispositif intégré et centralisé articulé autour de la CIM-10-FR (version enrichie d’extensions nationales par l’ATIH chaque année) pour les diagnostics et de la CCAM pour les actes (8 000+ codes, propre à la France, sans équivalent direct à l’étranger) : cette double nomenclature alimente la classification en GHM, réalisée par le logiciel de groupage de l’ATIH, aboutissant à un GHS tarifé — une cha ine entière qui n’existe sous cette forme dans aucun autre pays. L’Allemagne s’appuie sur un binôme comparable (ICD-10-GM + OPS), mais avec une logique différente : l’OPS est structuré en 6 chapitres et ~18 700 classes à six chiffres, là où la CCAM française est organisée par topographie anatomique et acte technique ; le groupage G-DRG est calculé annuellement par l’InEK à partir de données réelles de coûts hospitaliers, alors que les tarifs GHM français sont fixés administrativement par le ministère. Le Royaume-Uni se distingue par l’emploi de trois couches distinctes : SNOMED CT comme terminologie de saisie au point de soin (350 000+ concepts), ICD-10 pour le codage rétrospectif post-sortie, et OPCS-4 pour les procédures — un triptyque sans équivalent ailleurs, où la traduction SNOMED CT → ICD-10/OPCS-4 constitue elle-même un métier et une source d’erreurs. Les États-Unis poussent la complexité à son paroxysme : ICD-10-CM pour les diagnostics, ICD-10-PCS (77 000+ codes à 7 caractères) pour les procédures hospitalières, CPT (10 000+ codes) pour les actes ambulatoires, et HCPCS pour les fournitures, soit jusqu’à quatre nomenclatures superposées selon le contexte de soin — un éclatement qui s’explique par la fragmentation du système assurantiel (Medicare, Medicaid, assureurs privés) et le fait que le CPT est une propriété privée de l’AMA, générant des droits de licence. Le Canada, via le CIHI, a développé l’ICD-10-CA (version enrichie de l’ICD-10 au-delà du 4ᵉ caractère, couvrant aussi les risques occupationnels et environnementaux) couplée à la CCI, classification à 10 caractères alphanumériques conçue pour être neutre vis-à-vis du lieu et du type de prestataire — une approche délibérément pan-canadienne pour réconcilier 13 systèmes de santé provinciaux. Enfin, Taïwan présente le modèle le plus unifié : ayant migré vers l’ICD-10-CM PCS en 2016 (le même système qu’aux États-Unis), il bénéficie d’un payeur unique (NHIA) qui impose des règles de codage homogènes à l’ensemble des 18 000 établissements contractés, permettant un téléchargement quotidien automatisé des données et des coûts administratifs inférieurs à 1%. Au fond, cette diversité reflète moins des choix techniques qu’des histoires institutionnelles : là où la France a construit un système étatique centralisé avec une nomenclature d’actes souveraine (la CCAM), les États-Unis ont laissé le marché produire une pluralité de nomenclatures concurrentes ; là où l’Allemagne a délégué le calcul des tarifs à un organe paritaire (InEK), le Royaume-Uni a choisi de séparer la terminologie clinique du codage administratif. La transition vers l’ICD-11, premier vrai standard mondial commun, représente donc bien plus qu’une mise à jour technique : elle est un défi de convergence institutionnelle sans précédent

     

  • Éclairage terrain d’un DIM de Centre Hospitalier

    Qualité du DPI et traçabilité comme prérequis absolus

    L’IA de codage n’est pas une “couche magique” au-dessus du PMSI, mais un amplificateur de la qualité du dossier patient informatisé: observations médicales, dossier de soins, biologie, imagerie, avis spécialisés, etc. Un investissement important et continu est nécessaire sur la traçabilité, impliquant non seulement le DIM/TIM, mais aussi la DSI, les secrétariats médicaux, les médecins et les métiers transverses. Sans ce socle, la performance des algorithmes et la fiabilité des prédictions restent limitées.

    Place de l’humain au DIM et supervision structurée

    Les solutions disponibles, lorsqu’elles sont utilisées, s’inscrivent dans une logique d’automatisation supervisée, avec validation systématique par les équipes DIM/TIM. Les obligations de traçabilité (certification des comptes, contrôles Assurance maladie, audits internes) rendent indispensable la conservation d’une décision humaine documentée sur les modifications de codage. Cela suppose une réorganisation des flux au sein du DIM: idéalement un seul passage sur le dossier, avec à disposition les données consolidées et les propositions de l’IA au bon moment, et une distinction explicite entre séjours courts/peu complexes (automatisation forte) et séjours longs/complexes (assistance + supervision). 

    ROI réel, contraintes budgétaires et volonté institutionnelle

    Dans les Centre Hospitaliers sous tension financière et sous contrats de performance, la question “ROI ou pas ?” est centrale, et constitue un frein majeur au passage à l’échelle. Les retours terrain indiquent que les directions sont souvent sceptiques face à des promesses de ROI très élevées ou mal étayées, d’autant que la phase de test est chronophage et consomme des ressources rares. Pour le DIM, l’enjeu n’est pas prioritairement la suppression de postes, mais la reconfiguration du travail entre validation de codage et amélioration de la qualité/complétude des dossiers. Dans ce contexte, la réussite d’un projet IA suppose une volonté institutionnelle explicite, des responsables solides côté établissement et une équipe capable d’accompagner le changement. 

    Cadre PMSI évolutif et maintenance des algorithmes

    L’éclairage terrain rappelle que le codage évolue chaque année au rythme des modifications PMSI, des PLFSS et de l’ONDAM: nouveaux codes, nouvelles règles, fermeture de niches d’optimisation, nouveaux besoins de suivi (ex. crises sanitaires). Les solutions IA doivent donc intégrer une capacité de mise à jour et de réentraînement réguliers, ce qui a un impact direct sur le coût total de possession et sur la pérennité des gains. Dans un système à enveloppe contrainte, une partie des gains obtenus par optimisation de codage peut être partiellement résorbée à moyen terme, ce qui plaide pour des scénarios de ROI prudents et dynamiques. 

    KPI DIM jugés vraiment utiles pour piloter un projet IA

    Du point de vue d’un DIM de CH, les indicateurs les plus pertinents pour évaluer une solution d’IA de codage ne sont pas uniquement les métriques de performance algorithmiques, mais des KPI opérationnels de chaîne PMSI: 

    • Délai moyen entre sortie, codage, validation et facturation. 
    • Volume de dossiers traités par jour et par ETP, par typologie de séjour (séances, HDJ, hospitalisation complète, séjours avec suppléments). 
    • Pourcentage de séjours codés en automatisation IA et poids de ces séjours dans les recettes. 
    • Pourcentage de séjours modifiés par le TIM/DIM par rapport aux suggestions IA et impact associé sur les recettes. 
    • Taux de séjours codés avec aide IA retoqués en cas de contrôle (CAC, Assurance maladie). 

    Cet éclairage terrain, issu d’un DIM de CH non utilisateur d’IA à ce jour, souligne que la décision d’investir dans une solution d’IA de codage ne peut être dissociée ni de la maturité du DPI et de l’organisation DIM, ni du contexte budgétaire et réglementaire, ni d’un dispositif de mesure du ROI ancré dans les KPI opérationnels réels des établissements. 

    Tableau – KPI à suivre dans un pilote d’IA de codage PMSI 

    KPI suivi  Définition opérationnelle (DIM)  Usage dans le pilote IA 
    Délai sortie → codage  Nombre de jours entre la sortie du patient et le premier codage PMSI complet.   Objectiver l’impact de l’IA sur la rapidité de traitement des dossiers. 
    Délai sortie → validation / facturation  Nombre de jours entre sortie et validation/facturation effective.   Mesurer la capacité à approcher une facturation “au fil de l’eau”. 
    Volume de dossiers / jour / ETP DIM/TIM  Nombre moyen de séjours codés/validés par agent et par jour, par type de séjour.  Suivre les gains de productivité et les redistributions de charge. 
    Typologie des séjours traités  Répartition % séances, HDJ, hospit complète, séjours à suppléments, etc.  Vérifier que l’IA apporte un gain là où le volume et l’enjeu financier sont forts. 
    % de séjours codés en automatisation IA  Part des séjours entièrement codés par IA, sans intervention humaine.  Quantifier le “périmètre d’automatisation” réellement atteint. 
    Poids recettes des séjours automatisés  Part des recettes associées aux séjours automatisés IA.  Évaluer si l’IA touche les segments à fort enjeu financier. 
    % de séjours modifiés par TIM/DIM  Part des séjours où le codage IA est corrigé (ajouts, suppressions, modifications).  Suivre la pertinence pratique de l’IA et la charge de supervision. 
    Impact recettes des modifications humaines  Différence de recettes entre codage IA brut et codage final après intervention DIM.   Mesurer la valeur ajoutée humaine résiduelle et ajuster le discours ROI. 
    Taux de séjours invalidés en contrôle  Part des séjours codés avec IA (ou aide IA) faisant l’objet de corrections en contrôle.  Sécuriser le projet visàvis des CAC / Assurance maladie. 
    Temps consacré à l’amélioration de la traçabilité DPI  Temps DIM/TIM consacré à la formation et à l’amélioration de la qualité de saisie.  Intégrer dans le ROI le “coût” positif de montée en qualité des données. 

     

  • Télésurveillance du diabète gestationnel : la prise en charge prolongée jusqu’au 1er juillet 2026 dans l’attente d’une réévaluation par la HAS

    Un arrêté publié au Journal officiel du 17 février 2026 prolonge la prise en charge de la télésurveillance du diabète gestationnel jusqu’au 1er juillet 2026, alors que les textes antérieurs prévoyaient une échéance au 1er juillet 2025.

    Le texte modifie les conditions d’inscription des activités de télésurveillance médicale du diabète gestationnel sur la liste prévue à l’article L. 162-52 du code de la sécurité sociale.

    Un périmètre étendu aux lignes génériques et aux dispositifs nominatifs

    La prolongation concerne :

    • La télésurveillance du diabète gestationnel insulino-traité, prise en charge en ligne générique depuis juillet 2023.
    • Deux dispositifs médicaux inscrits en nom de marque depuis 2024 : MyDiabby Healthcare (MDHC) et Glooxo XT (Glooko), utilisés dans le diabète gestationnel insulino-traité et non insulino-traité.

    L’article 1er de l’arrêté remplace, dans l’annexe de l’arrêté du 22 juin 2023, la mention « Durée d’inscription du référentiel générique : 2 ans » par « Date de fin de prise en charge : 1er juillet 2026 ».

    Les articles 2 et 3 portent également au 1er juillet 2026 la date de fin de prise en charge pour les activités associées respectivement aux solutions MyDiabby Healthcare et Glooko XT, telles qu’inscrites par les arrêtés des 19 août 2024 et 26 décembre 2024.

    Une réévaluation incomplète par la Cnedimts

    Initialement, la Haute Autorité de santé, via sa Commission nationale d’évaluation des dispositifs médicaux et des technologies de santé, devait réévaluer ces prises en charge avant le 1er juillet 2025. À ce stade, la commission ne s’est penchée que sur MyDiabby. Elle doit désormais se prononcer sur l’ensemble des lignes génériques d’ici au 1er juillet 2026.

    Les avis précédents de la Cnedimts, en date des 21 mars 2023, 22 juin 2024 et 22 octobre 2024, portaient sur la télésurveillance des patientes atteintes de diabète gestationnel. La commission n’avait reconnu qu’un intérêt organisationnel à cette activité.

    Un positionnement tarifaire contraint par l’évaluation

    Pour mémoire, l’accès au remboursement d’une activité de télésurveillance suppose la démonstration :

    • Soit d’un intérêt de santé publique.
    • Soit d’un impact organisationnel.
    • Soit d’un bénéfice clinique.

    La reconnaissance d’un seul impact organisationnel conduit à un positionnement tarifaire au plus bas niveau.

  • Système de santé : la France plus inquiète que ses voisins à cinq et dix ans (Étude Ipsos BVA pour Relyens)

    Un observatoire européen pour cartographier 25 risques

    Ipsos BVA publie, pour Relyens, les résultats de la première vague de l’« Observatoire européen des risques et opportunités des établissements de santé ». L’enquête a été menée auprès de 924 cadres dirigeants et professionnels de santé qui exercent en établissements hospitaliers en France, en Allemagne, en Italie et en Espagne.

    Le projet, initié par Relyens et encadré par un comité scientifique, propose une cartographie de 25 risques pesant sur les systèmes de santé européens.

    Le constat posé est celui d’une accumulation de crises désormais interdépendantes. Les tensions économiques renforcent les pénuries de personnel, qui fragilisent la sécurité des patients, alimentent la défiance et compliquent les recrutements. Les établissements ne font plus face à des chocs isolés mais à des effets d’amplification.

    Les soignants français plus pessimistes que leurs voisins européens

    À horizon cinq ans, 49 % des cadres et soignants français qualifient le contexte du système de santé d’« orageux » ou de « turbulent », contre 25 % en moyenne européenne (+24 points).

    À dix ans, le différentiel demeure : 57 % des répondants français se déclarent pessimistes, contre 37 % en Europe (+20 points). L’Allemagne (34 % de pessimistes à cinq ans), l’Italie (11 %) et l’Espagne (8 %) affichent des niveaux inférieurs. À l’échelle européenne, 93 % des participants n’anticipent pas d’amélioration à dix ans et 32 % estiment que la situation va se dégrader.

    Dix risques déjà jugés hautement probables

    Dans l’ensemble des pays étudiés, 10 des 25 risques testés sont considérés par une majorité de répondants comme présentant une forte probabilité de survenue. Par ailleurs, 80 % des risques prédéfinis comme « impactants » (probabilité et gravité évaluées à 4 ou 5 sur 5) sont jugés insuffisamment anticipés. Sur la plupart des 25 risques analysés, la France dépasse la moyenne européenne en termes de probabilité perçue. Et affiche des niveaux de préparation plus faibles.

    Coûts, vieillissement, pénuries : le trio de tête en France

    • Augmentation des coûts de santé : premier risque cité en France (79 % de probabilité perçue contre 71 % en Europe). Seuls 14 % des établissements français se déclarent bien préparés, contre 25 % en Europe.
    • Vieillissement de la population et maladies chroniques : 75 % en France, au-dessus de la moyenne européenne. Seul un quart des répondants français (26 %) estime être bien préparé.
    • Pénuries de personnel : 75 % en France (72 % en Europe). Le niveau de préparation est jugé faible (20 %).

    Viennent ensuite :

    • Inégalités d’accès aux soins : 66 % en France (58 % en Europe), avec 21 % seulement de répondants français s’estimant bien préparés.
    • Incertitudes sur le financement et le remboursement : 66 % en France (55 % en Europe). Le niveau de préparation est de 13 % en France et 25 % en Europe.
    • Risque cyber : 63 % en France (60 % en Europe), pour un niveau de préparation de 34 % en France et 37 % en Europe.

    Les pénuries en tête des menaces pour la sécurité des patients

    • Les pénuries de personnel apparaissent comme le principal risque pour la sécurité des patients : 72 % des acteurs hospitaliers européens les citent, et la France se situe au-dessus avec 81 %.
    • L’inflation des coûts de santé arrive en deuxième position, mentionnée par 65 % des répondants en Europe et 77 % en France.
    • Les ruptures d’approvisionnement occupent la troisième place, à un niveau comparable entre l’Europe (60 %) et la France (58 %).
    • Le risque cyber est identifié par 57 % des répondants, avec une perception équivalente en France et en Europe.
    • Enfin, le risque de pandémie ou de menace sanitaire émergente figure dans le top 10, cité par 55 % des acteurs européens et 51 % en France.

    Pandémies : un niveau de préparation jugé insuffisant

    Cinq ans après la pandémie de Covid-19, 46 % des cadres hospitaliers français considèrent qu’il existe un risque élevé d’être à nouveau confrontés à une pandémie ou à une menace sanitaire émergente (42 % en Europe). Si un tel événement survenait, 71 % des répondants en France et 68 % en Europe estiment que les impacts seraient très graves. Pourtant, seuls 25 % des répondants français et 28 % des Européens se déclarent réellement bien préparés à y faire face.

    Méthodologie

    L’enquête a été administrée en ligne du 26 juin au 11 août 2026 en France, Allemagne, Italie et Espagne auprès de 924 professionnels exerçant en établissements de santé : 524 cadres occupant des postes de gestion ou de direction de services médicaux et 400 professionnels de santé. En France, 341 cadres hospitaliers et soignants exerçant à l’hôpital ont été interrogés en ligne du 26 juin au 11 août 2025.

  • Risque iatrogène : Senior+ intègre l’IA de Claude Bernard dans les logiciels des généralistes

    La plateforme Claude Bernard, adossée au groupe Cegedim, a annoncé le lancement de Senior+, un assistant IA destiné aux médecins généralistes.

    L’initiative s’inscrit dans la continuité de Claude Bernard IA, présentée en octobre dernier, qui permet aux éditeurs de logiciels de santé d’intégrer un modèle médical, fondé sur des données “scientifiques propriétaires”.

    Claude Bernard met en avant un hébergement 100 % français et une conformité aux réglementations européennes.

    L’accumulation des traitements accroît le risque clinique

    Senior+ mise sur la détection automatisée du risque iatrogène

    Chez les patients âgés, la polymédication est plus que fréquente. Accumulation de traitements, renouvellements successifs, prescriptions croisées, la complexité thérapeutique augmente avec l’âge et la multiplication des comorbidités.

    Les patients concernés consultent plus fréquemment, avec des temps de consultation plus longs, dans des parcours impliquant plusieurs professionnels. Les troubles cognitifs et les risques d’interactions médicamenteuses renforcent la charge décisionnelle qui pèse.

    Les effets indésirables médicamenteux représentent une part documentée des hospitalisations évitables chez les seniors. C’est ce sur quoi Senior+ se base, le risque iatrogène et la sécurisation de ce dernier. L’assistant propose notamment sur :

    • Une vision synthétique de l’état de santé du patient ;
    • Une aide à l’identification des risques iatrogènes ;
    • Un accès automatisé aux recommandations officielles à jour ;
    • Un appui à la coordination du parcours de soins.

    Une intégration native dans les logiciels métier

    Senior+ est mis à disposition directement dans les logiciels de gestion de cabinet des éditeurs partenaires. Ce choix d’intégration modifie la dynamique d’adoption. Dans un écosystème déjà marqué par la multiplication des outils numériques, l’absence d’interface supplémentaire limite les frictions d’usage. Cette stratégie de diffusion via les éditeurs permet d’adresser l’ensemble de leurs utilisateurs médecins généralistes en s’appuyant sur des solutions déjà installées.

    Une base médicamenteuse transformée en moteur d’IA

    Senior+ repose sur la base Claude Bernard, agréée par la HAS et marquée CE, utilisée par plus de 150 000 professionnels de santé en France et en Europe. Elle est intégrée dans les cabinets, officines, maisons de santé, hôpitaux, cliniques et Ehpad. Claude Bernard revendique 300 000 professionnels utilisateurs de ses solutions.

    L’adossement à un référentiel scientifique propriétaire, validé et réglementé, structure le positionnement du module. Le communiqué rappelle que la base doit être utilisée dans le cadre d’une consultation critique et que la responsabilité de la prescription demeure celle du professionnel de santé.

    Senior+ s’inscrit dans une feuille de route plus large autour de Claude Bernard IA, appelée à être enrichie de nouveaux modules dédiés à la sécurisation des prescriptions, à l’optimisation des parcours et à l’accompagnement des professionnels face à la complexité croissante de l’exercice.