Articles

  • IA et génomique : l’Asie renforce sa surveillance épidémique

    Plus d’un million de décès chaque année en Asie

    Les maladies infectieuses figurent toujours parmi les principales menaces sanitaires mondiales. En 2025, la dengue a dépassé 12 millions de cas recensés dans le monde, tandis que les infections liées à la résistance antimicrobienne sont associées à environ 4,7 millions de décès annuels, selon l’Organisation mondiale de la santé (OMS). En Asie, la mortalité infectieuse atteint près de 1,2 million de décès par an, dans un contexte d’épidémies accentuées par le changement climatique, l’urbanisation rapide et la mobilité humaine. L’OMS souligne que la surveillance reste limitée par la fragmentation des données génomiques, cliniques et environnementales, ainsi que par les contraintes de souveraineté des données.

    Une IA régionale pour la surveillance génomique

    Pour répondre à ces défis, le consortium Asia Pathogen Genomics Initiative (Asia PGI) a développé PathGen, une plateforme d’intelligence artificielle dédiée à la surveillance génomique régionale. Elle vise à :

    • Détecter précocement les variants et agents infectieux émergents.
    • Suivre la circulation transfrontalière des pathogènes.
    • Soutenir des réponses sanitaires rapides, en ligne avec les recommandations de l’OMS.

    Financements et partenaires technologiques

    Le projet est soutenu par Temasek Foundation, la Bill & Melinda Gates Foundation et Philanthropy Asia Alliance. Les partenaires technologiques incluent :

    • Amazon Web Services (cloud computing).
    • IXO (Liechtenstein, infrastructures de données décentralisées).
    • Sequentia Biotech (Espagne, bioinformatique “omics”).
    • Sydney Infectious Diseases Institute (Université de Sydney).

    PathGen repose sur une architecture souveraine et fédérée, qui comprend :

    • L’intégration de données génomiques, cliniques, démographiques et environnementales.
    • Une architecture fédérée « sovereign-by-design ».
    • Des modèles avancés d’IA transformant des analyses locales en signaux décisionnels exploitables.

    Déploiement pilote cette année, extension en 2027

    En 2026, PathGen sera déployé dans 8 des 15 pays membres d’Asia PGI, dont l’Inde, la Malaisie, l’Indonésie, le Vietnam, le Bangladesh, les Philippines, le Laos, le Cambodge et le Sri Lanka. Une extension à l’Asie du Sud et du Sud-Est est prévue en 2027, en cohérence avec les cadres OMS de préparation aux pandémies.

     

  • Médicaments : le Parlement européen soutient des investissements ciblés pour relocaliser la production et prévenir les pénuries

    Le rapporteur Tomislav Sokol insiste : « Le prix ne peut plus être le seul critère d’attribution dans les marchés publics. La sécurité d’approvisionnement, la résilience des chaînes de production et la capacité industrielle dans l’UE doivent désormais primer. ». Le Parlement européen a adopté mardi 20 janvier sa position sur la proposition de règlement de la Commission visant à améliorer la disponibilité des médicaments critiques dans l’Union. Avec 503 voix pour, 57 contre et 108 abstentions, les eurodéputés ont validé une série de mesures destinées à réduire la dépendance aux importations, stimuler la production européenne et mieux anticiper les ruptures d’approvisionnement.

    Financer des sites de production stratégiques

    Le rapport soutient la création de projets industriels dits « stratégiques », basés dans l’UE, pour moderniser et accroître les capacités de production. Les États membres ainsi que l’Union sont appelés à y allouer des financements prioritaires, dans le cadre du budget actuel et du prochain cadre financier pluriannuel. Les entreprises qui bénéficient de ces soutiens devront respecter des engagements précis, notamment réserver leur production en priorité au marché européen.

    Favoriser les producteurs de médicaments implantés en Europe

    Les eurodéputés proposent un nouveau cadre pour les appels d’offres publics, obligeant les acheteurs à privilégier les fabricants disposant de capacités de production en Europe. Cette logique dite du « Buy European » vise à renforcer la résilience des chaînes de production et la sécurité d’approvisionnement, au-delà du seul critère de prix. Le rapport souligne également l’intérêt du recours volontaire à des achats conjoints transfrontaliers, notamment pour les traitements onéreux ou spécialisés (maladies rares, antimicrobiens), en abaissant à cinq le nombre minimum de pays participants, contre neuf dans la proposition initiale.

    Coordination européenne des stocks 

    Le Parlement appelle à la mise en place d’un mécanisme européen de coordination des stocks nationaux de médicaments critiques. L’objectif est d’anticiper les ruptures et de renforcer les capacités de réponse collective. la Commission pourrait, en dernier recours, décider de redistribuer des médicaments depuis un stock national vers un ou plusieurs autres pays.

  • Shadow AI : 1 médecin sur 5 utilise déjà l’IA générative hors cadre institutionnel

    22 % des hôpitaux adoptent la GenAI, mais le shadow AI progresse

    D’après un rapport publié par Menlo Ventures, 22 % des établissements de santé ont déjà déployé des outils d’intelligence artificielle générative. Si cette adoption marque un tournant dans la transformation numérique du secteur, elle masque une réalité plus préoccupante : l’essor du shadow AI, c’est-à-dire l’utilisation de ces outils par des cliniciens en dehors de tout cadre validé par leur organisation.

    Faciles d’accès, parfois gratuits, ces outils sont aujourd’hui utilisés pour rédiger des documents médicaux, formuler des décisions cliniques ou dialoguer avec les patients, sans traçabilité ni supervision. Une dynamique qui échappe aux directions hospitalières et aux services de conformité.

    Le recours non encadré à la GenAI fait courir un risque : celui d’erreurs. L’apparente précision des réponses masque souvent un manque de contextualisation, faute de prise en compte des spécificités cliniques du patient. Ce phénomène d’« hallucination » algorithmique, déjà documenté, prend ici une dimension critique, car il touche directement aux décisions de soin.

    Ce que met en lumière le rapport de Menlo Ventures, c’est un décalage entre l’usage réel de l’IA générative et la capacité des établissements à le superviser. Sans cadre clair, les risques sont nombreux : erreurs médicales, perte de confiance des patients, amplification des inégalités si certains publics sont exposés à des décisions non validées.

    Structurer une gouvernance

    Mettre en place une gouvernance adaptée ne signifie pas brider l’innovation. Il s’agit au contraire de fournir un cadre clair sur les outils autorisés, les données exploitables, les responsabilités associées et les mécanismes de contrôle. L’IA générative doit être intégrée dans des environnements sécurisés. Les établissements doivent désormais agir pour encadrer ces usages parallèles. Trois leviers sont identifiés :

    • Former les soignants aux apports mais aussi aux limites de ces outils ;
    • Structurer un système de suivi, de remontée d’incidents et d’évaluation continue ;
    • Accompagner l’évolution des pratiques en lien avec les réalités du terrain et l’état de l’art technologique.

    L’essor du shadow AI est un signal faible, mais révélateur d’un désalignement entre la vitesse de l’innovation et celle des politiques de gouvernance.

     

  • US : un plan pour réduire les prix des médicaments et renforcer la transparence des coûts

    Donald Trump a présenté les grandes lignes de son nouveau plan santé dans une vidéo diffusée sur X, promettant « plus d’argent dans vos poches ». L’initiative intervient alors que les subventions exceptionnelles à l’assurance Obamacare ont expiré le 31 décembre, provoquant une hausse brutale des primes pour des millions d’Américains, dont 1,5 million ont renoncé à renouveler leur couverture pour 2026. Le sujet s’impose comme central dans la campagne des élections législatives de mi-mandat, dans un contexte où 52 % des citoyens estiment que la politique santé du président a jusqu’ici nui à leur budget.

    Des aides redirigées vers les ménages

    Au cœur du plan figure la suppression des subventions supplémentaires aux compagnies d’assurance privées, au profit de transferts directs vers les assurés, via des comptes d’épargne santé. Ces fonds permettraient aux ménages d’acheter eux-mêmes une couverture. Mais ce système, déjà expérimenté à petite échelle, est critiqué pour profiter surtout aux foyers les plus aisés, capables d’alimenter régulièrement ces comptes. Aucun montant d’aide n’a été précisé par la Maison-Blanche, qui privilégie toutefois ce modèle face à une extension des crédits d’impôt liés à l’Obamacare.

    Baisse des prix des médicaments et affichage obligatoire des tarifs

    Le plan de Donald Trump prévoit aussi de codifier le mécanisme du « pays le plus favorisé » pour aligner les prix américains des médicaments sur ceux pratiqués ailleurs. Cette mesure entend prolonger les baisses de prix de l’insuline obtenues lors de son précédent mandat, notamment par des accords volontaires avec le HHS et le CMS. Côté transparence, les compagnies d’assurance devront publier en ligne, en langage clair, les taux de refus de remboursement, les délais moyens pour des soins courants, la répartition entre frais administratifs et prestations, ainsi que des comparateurs de prix. Les hôpitaux et prestataires acceptant Medicare ou Medicaid devront, eux, afficher clairement leurs tarifs pour limiter les « factures surprises ».

    Une stratégie encore floue

    Le Parti républicain ne dispose que d’une courte majorité au Congrès, et les démocrates, farouchement opposés au démantèlement de l’Affordable Care Act, préparent déjà la riposte. Des discussions seraient en cours avec certains élus républicains modérés, notamment autour d’un compromis pour prolonger certaines subventions sous conditions de ressources.

    Opposition structurante à un système public universel

    Le président reste opposé à toute forme d’assurance santé publique universelle. Le plan ne propose pas de couverture élargie mais davantage de flexibilité individuelle, misant sur la responsabilisation du consommateur. Cette approche est jugée inégalitaire par les démocrates, qui pointent une baisse potentielle d’accès aux soins pour les plus modestes.

    Les États-Unis consacrent 17 % de leur PIB à la santé, selon l’OCDE, contre environ 9 % pour les autres pays développés. Pourtant, l’espérance de vie y reste inférieure de 2,7 ans à la moyenne de ces pays. Le plan Trump, qui se présente comme une alternative au modèle Obama, ambitionne de renverser cette tendance, sans remettre en cause le rôle central du marché dans l’organisation du système de soins.

  • Protection des données : le CEPD critique la proposition Omnibus de simplification de l’AI Act

    Le Comité et le contrôleur soulignent que cette simplification administrative ne doit pas se faire au détriment de la protection des droits fondamentaux.

    La proposition Omnibus étendrait la possibilité de traiter des catégories particulières de données à caractère personnel, notamment les données relatives à la santé, aux fournisseurs de tous les systèmes et modèles d’IA, à des fins de détection et de correction des biais, sous réserve de garanties. Le Comité et le Contrôleur recommandent de préciser que ces données ne peuvent être utilisées que dans des situations précises où le risque d’effets négatifs résultant de ces biais est considéré comme suffisamment grave.

    Ils dénoncent la proposition de supprimer l’obligation d’enregistrer les systèmes d’IA lorsqu’ils font partie de catégories classées à risque élevé, même si les éditeurs considèrent que leurs systèmes ne présentent pas de risque élevé. Ils estiment que cette modification porterait gravement atteinte à la transparence et inciterait les entreprises à demander des exemptions indues.

    Le Comité et le Superviseur se disent à ces égards préoccupés du report proposé des dispositions fondamentales relatives aux systèmes d’IA à haut risque. Compte tenu de l’évolution rapide du contexte, ils invitent les colégislateurs à envisager un maintien calendrier initial pour certaines obligations, telles que les exigences de transparence, et à réduire autant que possible les retards.

    Bacs à sable

    Les deux institutions saluent la création de “bacs à sable réglementaires” pour l’IA au niveau de l’UE pour promouvoir l’innovation. Dans un souci de sécurité juridique, l’avis conjoint recommande de prévoir la participation directe des autorités de protection des données (APD) à la supervision du traitement des données dans le cadre de ces bacs à sable. Le Comité demande un rôle consultatif et le statut d’observateur au sein du Comité européen de l’intelligence artificielle afin de garantir la cohérence au niveau des bacs à sable de l’UE.

    En outre, le rôle de supervision du Bureau européen de l’IA sur les systèmes basés sur un modèle à usage général devrait être clairement défini dans la partie opérationnelle et ne devrait pas empiéter sur la supervision indépendante par le Comité des systèmes d’IA développés ou utilisés par les institutions de l’Union.

    Les deux institutions recommandent également de préserver l’obligation pour les fournisseurs et les déployeurs d’IA de garantir la maîtrise des systèmes par leur personnel. Toute nouvelle obligation de maîtrise de l’IA imposée à la Commission ou aux États membres devrait selon elles compléter, et non remplacer, les responsabilités des organisations qui développent et utilisent ces systèmes.

     

  • Le CHRU de Nancy déploie son entrepôt de données DataSTAN

    Le CHRU de Nancy mettra en service DataSTAN, son entrepôt de données de santé, au cours du premier trimestre 2026. Lancé il y a plus de cinq ans, ce projet a été soutenu par l’État dans le cadre de la stratégie nationale Santé Numérique (France 2030) et vise à structurer l’usage des données hospitalières pour la recherche. Le 20 novembre 2025, la CNIL a donné son autorisation pour le déploiement de cette infrastructure.

    8,6 millions de séjours hospitaliers intégrés dans DataSTAN

    DataSTAN agrège des données pseudonymisées issues des logiciels métiers du CHRU de Nancy, couvrant les séjours hospitaliers depuis 2014. À ce jour, plus d’1 million de patients et 8,6 millions de séjours y sont intégrés. L’objectif est de mettre ces données à disposition pour mieux comprendre les maladies, développer des outils de prévention et améliorer l’organisation des soins. L’entrepôt doit permettre à des équipes formées d’exploiter ces données pour des projets de recherche précis :

    • Analyse de trajectoires de soins.
    • Identification de facteurs de risque.
    • Développement de solutions d’IA appliquées au diagnostic ou au dépistage.

    Toutes les extractions de données sont anonymisées, et l’hébergement se fait en interne. Le CHRU prévoit également la mise en ligne d’un portail de transparence. Accessible depuis son site Internet, ce dernier donnera au public un aperçu des projets de recherche en cours utilisant DataSTAN, en détaillant leurs objectifs et leurs résultats. Le droit d’opposition est bien sur garanti à chaque patient, sans justification à fournir et sans conséquence sur sa prise en charge.

  • IA : Télésanté & Numérique en santé livre neuf préconisations

    L’IA “transforme la cognition, redistribue l’attention, et déplace la responsabilité”. Par conséquent le risque est qu’à force de lui déléguer des tâches, on finisse par déléguer une partie de ce que les professionnels “sont capables de penser”. Or “la responsabilité médicale, la décision clinique, la cognition, ne peuvent être déléguées”. “Décider, est un acte intellectuel et moral, pas un simple calcul”, de sorte que l’humain “doit rester le maitre”.

    Le texte invite à considérer l’IA “pour ce qu’elle est” à savoir un “assistant virtuel”, voire un “interne virtualisé” en phase de maturation, “un collaborateur sans conscience”.  Il cite le psychologue suisse Jean Piaget pour qui l’intelligence, “n’est pas ce que l’on sait,” mais “ce que l’on fait quand on ne sait pas”.

    Prévenir la perte de compétence 

    Le think tank juge indispensable de “développer et conserver les compétences cliniques analytiques” à savoir l’analyse sémiologique, l’élaboration d’un diagnostic différentiel, la capacité à justifier une décision thérapeutique, la lecture non assistée d’examens (imagerie, ECG, biologie). Pour accompagner cette préconisation, il envisage des “indicateurs de compétence et de perte de compétence, performants sans être intrusifs, permettant de suivre l’éventuel impact de l’automatisation sur l’apprentissage”.

    La formation à l’IA doit s’axer vers des compétences spécifiques mais aussi sur la vigilance de l’esprit critique et la qualité d’interprétation des résultats, avec préservation des savoir-faire humain : cette approche devra être intégrée aux enseignements fondamentaux de tous les métiers de la santé, en formation initiale, comme en formation continue. A cet égard une pédagogie innovante autour de l’IA en santé s’impose comme une nécessité.

    Un “indice d’acceptabilité professionnelle”

    Pour “éclairer la boîte noire de l’IA générative”, le think tank propose de créer un indice d’acceptabilité professionnelle (IAP) porté par des sociétés savantes, pour “orienter les choix d’outils dans les équipes”. Simple et mesurable, utilisable par tous, il serait facilement mis à jour, permettant de comparer les outils selon plusieurs critères : lisibilité, explicabilité, fiabilité perçue, charge cognitive induite, niveau de délégation accepté, Ecoscore.

    Le think tank demande d’intégrer dans le code de déontologie l’obligation d’informer sur l’usage d’une IA dans la décision de soin proposée, et d’inscrire l’information sur l’IA dans les recueils de consentement et les supports d’information. Pour lui cette transparence “contribue à prévenir la défiance et à maintenir un cadre éthique compatible avec l’autonomie, la bienfaisance, la non-malfaisance, et la justice”.

    En tant que patient, il est recommandé de “douter, vérifier, contextualiser” et notamment de ne pas “surestimer les capacités” de l’IA et de réaliser que les applications actuelles en santé “s’apparentent, en l’état, à des expériences en conditions réelles menées sans consentement explicite”. On ne doit pas non plus “ignorer les intérêts économiques sous-jacents”.

    Intégrer la sobriété numérique

    Pour  “intégrer la sobriété numérique et une évaluation environnementale dans les cahiers des charges, conformément à la loi ‘climat et résilience’”, le think tank souligne que l’enjeu est d’utiliser l’IA en santé “là où son bénéfice clinique dépasse son coût énergétique” avec des modèles “ayant une dépense énergétique adapté à la tâche demandée”, et mutualiser les infrastructures, dans “l’esprit du RGPD” qui impose de limiter les données traitées à ce qui est strictement nécessaire au résultat attendu. Il faudra à cet égard “exiger que les Conditions Générales d’Utilisation d’une application d’IA informent clairement l’usager sur l’empreinte environnementale de l’outil” et rendre obligatoire une évaluation du rapport bénéfice/impact carbone dans les projets et appels d’offres IA, avec par exemple, un “éco- score” automatique associé à chaque requête.

    Le Think tank exige une “traçabilité Humaine” dans toute décision assistée par IA, estimant que la fraternité et la dignité impliquent de ne pas substituer les métiers du soin par des agents artificiels dans les situations relationnelles critiques. “L’humain doit garder le premier et le dernier kilomètre de la réflexion” conclut-il.

     

  • Nouvelle génération de scanners de lames pour la pathologie numérique

    Microscopie optique : limites et pénuries

    Le diagnostic histopathologique reste central dans la prise en charge des cancers, confronté à une charge sanitaire mondiale croissante.

    Grundium développe sa solution pour pallier les contraintes de la microscopie optique traditionnelle.

    • Seulement ~3 % des services correctement dotés, 78 % de postes vacants.
    • Délais diagnostiques souvent ≥ 7 jours (jusqu’à ~18 jours).
    • Coûts unitaires élevés : ≈ 45 € par test histopathologique.

    Partage immédiat des images et intégration fluide aux outils d’IA

    Le nouveau scanner Ocus M20 permet un partage immédiat des images et une intégration fluide aux outils d’IA, accélérant le diagnostic in vitro.

    Une numérisation de lames en moins d’une minute

    Grundium propose un scanner mono-axe compact, conçu pour les laboratoires à forte activité et les plateformes de télépathologie.

    • Numérisation d’une lame en < 1 minute avec disponibilité > 99 %.
    • Qualité d’image adaptée au diagnostic courant et intégration aux flux numériques.
    • Concordance diagnostique > 95 %.

    La solution cible les laboratoires hospitaliers, plateformes de télépathologie et structures à ressources limitées. Elle accompagne la diffusion de la pathologie numérique en routine.

     

  • Vers une médecine prédictive : dynamiques, acteurs et enjeux des jumeaux numériques

    Un taux de croissance annuel estimé à plus de 60%

    Certaines estimations indiquent que le marché mondial des jumeaux numériques en santé devrait passer de 4,47 milliards USD en 2025 à 59,94 milliards USD en 2030, soit un taux de croissance annuel de plus de 60%. Cette trajectoire de croissance signale non seulement une adoption rapide, mais aussi une conviction croissante des acteurs de la santé que les jumeaux numériques deviendront une brique structurante des systèmes de soins de demain.​

    Les jumeaux numériques en santé peuvent être définis comme des répliques virtuelles dynamiques de patients, d’organes, de dispositifs médicaux ou d’organisations de soins, alimentées en continu par des données cliniques, biologiques et contextuelles, et couplées à des modèles avancés (IA, simulation multiphysique) pour prédire des trajectoires de santé, simuler des interventions et optimiser les décisions. Ils se situent à l’intersection de plusieurs tendances lourdes : montée de la médecine de précision, explosion des données de santé (EHR, imagerie, génomique, IoT), pressions économiques sur les systèmes hospitaliers et exigence croissante de résultats mesurables pour les innovations thérapeutiques.​

    Le paysage concurrentiel est dominé par des groupes technologiques et industriels globaux (Siemens Healthineers, GE Healthcare, Microsoft, IBM, Oracle, NVIDIA, Dassault Systèmes, ANSYS, Atos) qui fournissent plateformes, puissance de calcul et briques logicielles, complétés par une constellation de pure players spécialisés (Twin Health, Unlearn.AI, Q.bio, Sim&Cure, PrediSurge, Virtonomy, Exactcure, Faststream Technologies). Les segments les plus matures sont aujourd’hui la planification d’interventions et l’optimisation des workflows hospitaliers.​

    Pour des dirigeants hospitaliers, des investisseurs et des cliniciens, la question n’est donc plus de savoir si les jumeaux numériques vont s’imposer, mais comment orchestrer leur intégration pour maximiser la valeur clinique et économique tout en maîtrisant les risques technologiques, éthiques et organisationnels.

    Initiatives structurantes européennes et françaises

    L’écosystème des jumeaux numériques en santé ne se limite pas aux acteurs industriels et startups déjà cartographiés ; il est désormais structuré par plusieurs initiatives majeures au niveau européen et français qui jouent un rôle d’architectes de l’infrastructure.

    EDITH – European Virtual Human Twin

    Au niveau européen, le programme EDITH (European Virtual Human Twin) vise à coordonner et structurer l’ensemble des efforts relatifs aux jumeaux numériques de l’humain. Cette action de coordination et de support, financée par la Commission européenne, poursuit trois objectifs stratégiques principaux :

    • définir une feuille de route européenne pour le Virtual Human Twin, couvrant les jumeaux d’organe jusqu’à des représentations intégrées du corps humain ;
    • mettre en place un référentiel fédéré de données et de modèles (repository) respectant le cadre GDPR et facilitant la réutilisation scientifique et industrielle ;
    • développer une plateforme de simulation permettant à différents acteurs (hôpitaux, chercheurs, industriels) de combiner et d’orchestrer des jumeaux numériques selon des cas d’usage prioritaires (cancer, cardiovasculaire, cerveau, ostéoporose, soins intensifs).

    EDITH est donc un méta‑acteur : il ne fournit pas directement des solutions cliniques, mais crée les standards, infrastructures et règles du jeu qui conditionneront la scalabilité des jumeaux numériques en Europe.

    MEDITWIN – Alliance public–privé portée par Dassault Systèmes

    En France, MEDITWIN illustre une approche intégrée associant un industriel de rang mondial (Dassault Systèmes), sept IHU, le CHU de Nantes, Inria et quatre startups (CODOC, inHEART, Qairnel, Neurometers). Le programme vise à créer des jumeaux V+R (Virtuels + Réels) pour la cardiologie, la neurologie et l’oncologie, intégrés dans des dispositifs médicaux numériques et évalués dans des parcours de soins réels.​

    MEDITWIN se distingue par :

    • Une plateforme souveraine reposant sur l’expertise de Dassault Systèmes en jumeaux virtuels (3DEXPERIENCE) ;
    • Un ancrage clinique fort via les IHU (PRISM, Imagine, ICAN, FOReSIGHT, ICM, LIRYC, IHU Strasbourg) qui apportent des cas d’usage à haute valeur ;
    • Une structuration en six piliers (transdisciplinarité, autonomisation du patient, démonstration d’impact, équité, modèle économique, partage des connaissances), qui en font un modèle de consortium reproductible pour d’autres aires thérapeutiques.​

    Dans la grille de lecture de la première analyse, MEDITWIN peut être vu comme un orchestrateur qui connecte :

    • la couche plateformes (Dassault Systèmes),
    • les experts cliniques (IHU),
    • et les pure players spécialisés (inHEART pour le cœur, Qairnel et Neurometers pour le cerveau, CODOC pour la donnée).

    Jumeau numérique « État de santé d’un territoire » (Health Data Hub)

    Le projet « Jumeau numérique – État de santé d’un territoire », soutenu par le Health Data Hub, élargit la notion de jumeau au niveau populationnel et territorial. En Normandie, il combine données de santé anonymisées (consommation de médicaments liés aux allergies, caractéristiques des patients) et données environnementales (pollens, météo, cultures) pour construire un jumeau du territoire vis‑à‑vis des allergies aux pollens.

    Pour les décideurs, ce projet illustre :

    • la capacité à créer des jumeaux de santé publique permettant de piloter la prévention, d’anticiper des pics de pathologies et d’ajuster les ressources ;
    • la possibilité de coupler, à terme, jumeaux individuels, organisationnels (hôpitaux) et territoriaux dans une vision multi‑niveaux de la santé.

    SKAIROS – Jumeaux du rachis et chirurgie

    Enfin, la startup française SKAIROS, lauréate du concours i‑Nov, développe le projet SILVER SPINE : des jumeaux numériques du rachis pour la chirurgie des pathologies dégénératives. En s’appuyant sur l’imagerie et la modélisation biomécanique, ces jumeaux permettent :

    • de co‑concevoir des implants et solutions innovantes avec les industriels du rachis ;
    • de planifier précisément des interventions complexes en tenant compte de l’alignement global du patient et de contraintes mécaniques locales.

    Dans la typologie initiale, SKAIROS s’inscrit comme pure player deeptech vertical, complémentaire de Sim&Cure (neurovasculaire) ou PrediSurge (aortique), et pouvant à terme s’adosser à des plateformes comme MEDITWIN ou EDITH pour l’industrialisation et l’interopérabilité.

    Opportunités :

    Les coûts des essais cliniques réduit jusqu’à 30%​

    Les jumeaux numériques rendent possible une médecine véritablement individualisée, en modélisant de façon dynamique l’évolution d’un patient et sa réponse à différents scénarios thérapeutiques. Ils intègrent les dimensions multi-échelles de la santé : génome, protéome, physiologie d’organe, comportement, environnement.​

    • Des pure players comme Twin Health proposent des jumeaux numériques métaboliques du corps entier permettant la réversion du diabète de type 2 en combinant monitoring continu (capteurs, IoT) et IA prédictive ; les études publiées montrent des diminutions significatives de l’HbA1c et une réduction massive de l’usage de médicaments.​
    • Des acteurs comme Q.bio construisent des jumeaux du corps entier en combinant imagerie avancée, biomarqueurs et modélisation, ouvrant la voie à une détection précoce de déviations pathologiques.​

    Pour les hôpitaux et réseaux de soins, cette capacité à simuler ex ante l’effet de différentes options thérapeutiques sur un individu donné se traduit par une réduction des essais‑erreurs, une meilleure allocation des ressources coûteuses (molécules innovantes, blocs opératoires) et, in fine, une amélioration des indicateurs de résultat (mortalité, réhospitalisations, complications). Pour les payeurs, elle prépare l’industrialisation de modèles de paiement à la valeur fondés sur des prédictions robustes et objectivées de bénéfice clinique.​

    Transformation des essais cliniques et de la R&D pharmaceutique

    Le développement de médicaments reste un processus long, risqué et coûteux, avec un taux d’échec élevé. Les jumeaux numériques offrent plusieurs leviers de transformation :​

    • Bras de contrôle synthétiques : des entreprises comme Unlearn.AI construisent des jumeaux numériques pour chaque patient afin de prédire son évolution sous traitement standard, permettant de réduire la taille des bras contrôle tout en maintenant la puissance statistique.​
    • Essais in silico : couplés à des modèles mécanistes et à des plateformes d’IA, ils permettent d’explorer virtuellement un grand nombre de combinaisons de doses, de schémas thérapeutiques et de critères d’inclusion avant d’engager des ressources dans des essais physiques.​

    Les études de marché indiquent que l’usage systématique de jumeaux numériques dans la R&D pourrait réduire les coûts de développement de 20 à 30% et raccourcir sensiblement les délais de mise sur le marché. Cette approche est particulièrement pertinente dans les maladies rares, où la disponibilité de patients est limitée et où les régulateurs commencent à accepter les preuves générées par des modèles digitaux bien validés.​

    Optimisation des opérations hospitalières et gestion de la capacité

    Les jumeaux numériques ne concernent pas uniquement le patient ; ils modélisent également des organisations complexes comme les hôpitaux, les blocs opératoires ou les réseaux de soins. Plusieurs groupes ont déjà démontré des gains tangibles :​​

    • GE Healthcare utilise des jumeaux de flux pour ses Command Centers hospitaliers, permettant de simuler la gestion des lits, des urgences et des journées opératoires, avec des réductions constatées des temps d’attente et une meilleure utilisation des ressources.​
    • Philips, via HealthSuite et ses solutions de digital twin de workflow, permet de tester virtuellement des scénarios d’organisation (nouvel agencement des services, extension des capacités, scénarios de crise) avant décision d’investissement.​​

    Pour des directions hospitalières, l’enjeu est double : augmenter l’efficience opérationnelle (taux d’occupation, temps de passage, délais de prise en charge) d’une part, et soutenir des décisions d’investissement et de transformation (reconfiguration de sites, mutualisation de plateaux techniques, développement de structures ambulatoires) sur la base de simulations quantitatives, et non plus d’intuitions ou d’analyses statiques.​

    Nouveaux modèles économiques et plateformes de données

    Les jumeaux numériques servent de socle à de nouveaux modèles d’affaires, fondés sur la donnée et les services, plutôt que sur la seule vente de produits :​

    • Les industriels MedTech et pharmaceutiques peuvent proposer des offres intégrées « dispositif + jumeau + service », où la valeur est créée sur la durée (monitoring, alertes, optimisation, mises à jour logicielles), renforçant la fidélisation et la différenciation concurrentielle.​
    • Les grands acteurs technologiques (Microsoft, Oracle, NVIDIA, IBM) se positionnent comme infrastructures incontournables, capitalisant sur des effets de plateforme et des synergies avec d’autres secteurs (industrie, villes intelligentes).​

    La taille du marché, estimée entre 2,7 et 4,5 milliards USD en 2024–2025 selon les sources, pourrait dépasser 15 à 30 milliards USD avant 2032–2035, avec une montée en puissance du rôle des fournisseurs de plateformes et des orchestrateurs d’écosystèmes. Pour les investisseurs, cela crée des opportunités à la fois dans les infrastructures (low risk / lower growth) et dans les applications verticales (higher risk / higher growth), avec un intérêt particulier pour les acteurs ayant déjà franchi le cap de la validation clinique et de l’intégration système.​

    Réduction des inégalités d’accès à l’expertise et soutien à la décision clinique

    Dans des contextes de tension démographique (vieillissement, pénurie de spécialistes) et de répartition inégale des compétences, les jumeaux numériques jouent un rôle de « multiplicateur d’expertise » :​

    • En combinant dossiers patients, données temps réel et modèles prédictifs, ils peuvent suggérer des décisions cliniques alignées sur les meilleures pratiques, même dans des structures dépourvues de spécialités de pointe.
    • Ils offrent également des plateformes pédagogiques et de simulation pour la formation des médecins et des équipes chirurgicales, en permettant de répéter virtuellement des gestes complexes sur des anatomies patient-spécifiques (par exemple Sim&Cure en neuroradiologie interventionnelle).​

    Bien conçus et gouvernés, ces outils peuvent donc contribuer à homogénéiser la qualité des soins, en diffusant la pratique des centres experts vers le reste du système, et en soutenant des modèles de coopération territoriale (GHT, réseaux régionaux, groupements hospitaliers).

    Risques majeurs :

    Gouvernance des données, consentement et propriété du jumeau numérique

    Les jumeaux numériques reposent sur une agrégation sans précédent de données sensibles (génomique, imagerie, historiques complets, données comportementales), posant des questions fondamentales : qui possède le jumeau numérique ? qui décide de ses usages ?.​

    • Les cadres de consentement traditionnellement larges (« traitement et recherche ») sont insuffisants dès lors qu’un jumeau peut servir à la fois aux soins directs, à la formation, à l’entraînement d’algorithmes, à la recherche ou à des usages commerciaux (assureurs, industriels).​
    • La doctrine éthique émergente plaide pour des modèles de consentement dynamique, spécifiquement adaptés aux jumeaux numériques, permettant au patient de gérer, dans le temps, des autorisations granulairement modulables et révocables.​

    L’incertitude juridique est manifeste sur plusieurs points : droit à l’effacement (comment « supprimer » un jumeau alors que ses données ont entraîné des modèles agrégés ?), partage de la propriété intellectuelle quand des algorithmes propriétaires co-créent le jumeau, statut des prédictions (par exemple un risque de cancer à 10 ans) dans les régimes de données de santé protégées. Sans clarification, patients, établissements et développeurs s’exposent à des litiges, à une érosion de la confiance et à un ralentissement de l’adoption.​

    Cybersécurité et risques de détournement malveillant

    Un jumeau numérique représente une cible nettement plus sensible qu’un dossier patient électronique classique, du fait de l’intégration multi-sources et du caractère prédictif des informations (risques futurs, profils génomiques).​

    Les menaces identifiées incluent :​

    • vol de jumeaux et monétisation sur des marchés illicites ;
    • utilisation frauduleuse pour discrimination (assurances, employeurs) ;
    • manipulations de données conduisant à des recommandations cliniques erronées ;
    • attaques par ransomware paralysant des modules critiques de décision.

    L’architecture technique requise dépasse les exigences actuelles des EHR : chiffrement de bout en bout, gestion fine des identités et des accès, surveillance comportementale temps réel, audits réguliers des modèles, et souvent recours à des technologies avancées (segmentation stricte, zero trust, voire blockchain pour la traçabilité des accès). Beaucoup d’établissements n’ont ni les ressources ni les compétences internes pour maintenir durablement ce niveau de résilience, ce qui impose des modèles de mutualisation (cloud souverain, plateformes mutualisées, centres de cybersécurité sectoriels).​

    Biais algorithmiques, équité et risque de creusement des inégalités

    La performance des jumeaux numériques dépend étroitement de la représentativité des données sur lesquelles ils sont entraînés. Plusieurs revues soulignent le risque que des cohortes déséquilibrées (par origine géographique, ethnique, socio-économique ou par comorbidités) conduisent à des modèles moins performants pour les populations déjà défavorisées.​

    • Des erreurs systématiques dans la prédiction du risque cardiovasculaire ou de réponse à un traitement oncologique pour certains groupes peuvent se traduire par des sous-traitements ou des sur-traitements, renforçant des disparités préexistantes.
    • L’usage de jumeaux numériques dans des contextes de tarification (assurances, contrats de performance) peut, sans garde-fous, accentuer des phénomènes d’exclusion ou de sélection de risque.​

    La mise en place d’audits indépendants (évaluation de biais, suivi d’indicateurs d’équité), la publication transparente des caractéristiques des bases d’entraînement, et l’implication de parties prenantes diverses (patients, associations, éthiciens, régulateurs) dans la conception des modèles deviennent des impératifs.​

    Interopérabilité, complexité d’intégration et risque de verrouillage technologique

    Sur le plan opérationnel, les jumeaux numériques ne délivrent leur pleine valeur que s’ils sont étroitement intégrés aux systèmes d’information hospitaliers (EHR, RIS/PACS, LIMS, ERP), aux dispositifs médicaux et aux plateformes régionales ou nationales. Or :​

    • L’hétérogénéité des environnements (multiples éditeurs, versions anciennes, interfaces propriétaires) complique l’interopérabilité malgré les standards FHIR/HL7.​
    • Les grandes plateformes de jumeaux (provenant de Microsoft, Siemens, GE, Philips, Oracle, IBM, Dassault, ANSYS, etc.) tendent à créer des écosystèmes semi‑fermés, avec un risque de verrouillage technologique (lock‑in) pour les établissements qui s’y engagent fortement.​

    Un établissement qui choisit une plateforme sans stratégie claire de gouvernance des données et de standards ouverts peut se retrouver, à moyen terme, limité dans sa capacité à intégrer de nouveaux modules ou à changer de fournisseur sans coûts importants de migration. Pour des autorités de santé, la prolifération de silos technologiques hétérogènes complique la construction de référentiels nationaux cohérents et freine l’émergence de jumeaux populationnels.​

    Acceptabilité clinique, charge cognitive et responsabilité médico‑légale

    L’introduction de jumeaux numériques modifie profondément le processus décisionnel médical :​

    • Les cliniciens peuvent être confrontés à des recommandations complexes, parfois contre-intuitives, issues de modèles dont le fonctionnement interne est partiellement opaque (boîte noire).
    • Le risque d’automation bias (tendance à suivre la suggestion de l’algorithme) est réel, en particulier dans des environnements sous tension où le temps est compté.​

    La question de la responsabilité en cas de dommage est critique : si une décision clinique s’appuie en partie sur un jumeau numérique, la responsabilité se partage-t-elle entre le médecin, l’établissement, le développeur du modèle, voire le fournisseur d’infrastructure ? Les cadres juridiques actuels ne donnent pas encore de réponse claire.​

    Enfin, la surcharge de signaux (alertes, scores, scénarios) risque d’accentuer la fatigue informationnelle des professionnels si les interfaces ne sont pas conçues pour s’intégrer harmonieusement dans les workflows existants, avec un haut niveau d’ergonomie et de priorisation. Sans un travail approfondi de co‑design avec les utilisateurs finaux et des formations ciblées, l’adoption peut être limitée et la valeur créée, largement sous‑optimisée.​

    Synthèse et perspectives stratégiques

    Les jumeaux numériques en santé se situent à un point de bascule : les preuves de concept sont nombreuses, les premiers modèles économiques émergent et la dynamique d’investissement est forte, avec des projections de marché atteignant 59,94 milliards USD à l’horizon 2030 et jusqu’à 33,4 milliards USD en 2035 selon certaines estimations alternatives. Les acteurs clés se répartissent en trois grandes catégories :​

    • des fournisseurs d’infrastructures et de plateformes (Microsoft, Siemens Healthineers, GE Healthcare, Philips, IBM, Oracle, NVIDIA, Dassault, ANSYS, Atos), qui structurent l’écosystème technologique et captent des positions de contrôle sur la donnée et les standards ;​
    • des pure players verticaux (Twin Health, Unlearn.AI, Q.bio, Sim&Cure, PrediSurge, Exactcure, Virtonomy, etc.) qui démontrent une forte capacité d’innovation clinique et un potentiel de création de valeur sur des segments ciblés ;​
    • et une constellation de startups deep tech qui explorent de nouveaux cas d’usage (système immunitaire, jumeaux populationnels, jumeaux d’organisation territoriale).

    Pour des dirigeants hospitaliers, la priorité stratégique consiste à :

    • identifier des cas d’usage à forte valeur ajoutée (par exemple, optimisation des flux, planification des interventions complexes, gestion de maladies chroniques),
    • sélectionner des partenaires sur la base de trois critères critiques : interopérabilité, robustesse clinique validée, et gouvernance des données,
    • orchestrer un déploiement progressif assorti d’indicateurs de résultats cliniques et économiques clairs.​

    Pour les investisseurs, le champ d’opportunités est important mais hétérogène ; les segments les plus attractifs combinent : validation clinique, modèle SaaS récurrent, ancrage dans des workflows critiques, capacité à s’intégrer aux grandes plateformes existantes, et pipeline réglementaire clair.​ Enfin, pour les décideurs publics et régulateurs, la question centrale est d’accompagner l’essor de cette technologie tout en préservant les principes d’équité, de transparence et de respect des droits des patients. Cela implique de :

    • développer des cadres de consentement dynamique adaptés aux jumeaux numériques ;
    • définir clairement la propriété et la responsabilité autour des modèles ;
    • imposer des standards minimaux d’audit algorithmique, d’interopérabilité et de cybersécurité ;
    • et soutenir les établissements moins dotés pour éviter l’émergence d’une médecine à deux vitesses.​

    Si ces conditions sont réunies, les jumeaux numériques ont le potentiel de devenir l’un des leviers les plus puissants de la transformation des systèmes de santé à horizon 2030‑2035, en permettant de passer d’une logique de soins réactifs et fragmentés à une approche prédictive, intégrée et véritablement centrée sur le patient.

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

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

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

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

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

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

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

    La neurologie : diagnostiquer avant les symptômes

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

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

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

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

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

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

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

    La chirurgie rachidienne : une nouvelle frontière en biomécanique

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

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

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

    L’organisation hospitalière : optimiser blocs et flux

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

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

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

    Les essais cliniques : réinventer la recherche médicale

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

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

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

    Du concept à l’implémentation clinique

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

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

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