Articles

  • ESC 2025 : l’IA au service d’une cardiologie connectée et préventive

    Un smartphone devient stéthoscope

    Présenté lors de l’ESC Digital & AI Summit 2025 à Berlin, le dispositif de Theodor Health transforme un smartphone en stéthoscope intelligent. En quinze secondes, l’application enregistre les sons cardiaques et les analyse par intelligence artificielle, fournissant une interprétation semi-quantitative avec une sensibilité et une spécificité supérieure à 90 % pour les souffles cardiaques. Ce diagnostic mobile permet un dépistage précoce de valvulopathies ou de troubles du rythme, sans matériel dédié. Autre solution connectée : Vox, développée par Noah Labs, utilise un simple enregistrement vocal pour détecter les signes précoces de décompensation d’une insuffisance cardiaque chronique. L’algorithme identifie les variations acoustiques liées à la congestion pulmonaire et génère des alertes cliniques via un score validé. Quatre études observationnelles sont en cours, notamment en lien avec le dispositif CardioMEMS, pour évaluer ses performances dans le télésuivi des patients.

    Deux outils numériques primés à l’ESC 2025 pour une cardiologie proactive

    Côté formation, Epicardio a été récompensée pour sa plateforme Virtual CSP, une application interactive en 3D temps réel pour la simulation de la stimulation du système de conduction. Les utilisateurs peuvent y simuler l’insertion de sondes dans les cavités cardiaques, observer les effets électrophysiologiques sur l’ECG généré, et valider leurs connaissances via des tutoriels intégrés. L’outil vise à faciliter l’apprentissage de la conduction system pacing (CSP), technique en développement pour améliorer la synchronisation ventriculaire. En matière de prévention, le test PocDoc Healthy Heart Check permet aux patients britanniques de réaliser à domicile un auto-prélèvement capillaire, de photographier le test après sept minutes, puis d’obtenir un profil lipidique, un âge cardiaque et une estimation de leur risque cardiovasculaire à dix ans. Disponible en pharmacie pour environ 20 £, ce test vise à fluidifier le dépistage des patients à risque et à soulager les cabinets de médecine générale. Le NHS estime qu’un PocDoc permet d’économiser 20 minutes de consultation médicale.

    L’IA en cardiologie progresse, mais son intégration clinique reste conditionnée

    Les outils présentés à Berlin — stéthoscope intelligent, dépistage vocal, cœur virtuel, auto-test ou chatbot — reposent sur des technologies éprouvées, appliquées à des cas d’usage cliniques. Leur intérêt repose sur leur accessibilité, leur autonomie d’utilisation et leur potentiel d’intégration dans les parcours de soins. Cependant, leur diffusion pose plusieurs enjeux :

    • Validité clinique des algorithmes.
    • Fiabilité des mesures en auto-surveillance.
    • Protection des données de santé.
    • Acceptabilité sociale.

    Plusieurs interventions du congrès ont insisté sur la nécessité d’un encadrement réglementaire, d’une évaluation rigoureuse et d’une formation adaptée des professionnels.

    LLM spécialisés 

    Le congrès a également été l’occasion de présenter l’ESC Chat, un agent conversationnel fondé sur un large modèle de langage (LLM) entraîné spécifiquement sur les recommandations de la Société européenne de cardiologie. L’outil permet un accès instantané et contextualisé aux critères diagnostiques, aux évaluations de risque et aux stratégies thérapeutiques, avec des références directement issues des textes ESC. En parallèle, les discussions ont mis en lumière les défis à relever :

    • Robustesse des modèles.
    • Gestion des biais.
    • Reproductibilité des résultats.
    • Et création d’une relation de confiance entre l’IA, les cliniciens et les patients.

    L’ESC entend accompagner cette évolution par un cadre éthique et scientifique renforcé. Le sommet ESC Digital & AI 2025 confirme l’ancrage de l’IA dans la pratique cardiologique, depuis la prévention jusqu’à la formation. Si les solutions sont prêtes à l’usage ou en cours de validation, leur impact dépendra d’une intégration encadrée et concertée dans les systèmes de santé.

  • AAC « longue vie aux médicaments » : Projet d’augmentation de la durée de conservation des médicaments

    • Délai de candidature : 4 mois pour préparer et déposer le dossier (échéance : le 20 mars 2026)​
    • Engagement sur 5 ans : les laboratoires doivent s’assurer de disposer des données de stabilité nécessaires ou pouvoir les produire.​
    • Reporting annuel obligatoire : communication des demandes de modifications approuvées chaque décembre.​
    • Enjeux de pharmacovigilance : l’ANSM a recensé 810 cas liés à des médicaments périmés depuis 2011, dont 17 suspicions d’inefficacité – les modifications d’AMM devront être étayées.​
    • Absence de financement direct : seul l’accompagnement réglementaire est offert, les coûts des études de stabilité restent à la charge des laboratoires​
    • Valorisation RSE possible : opportunité de démontrer l’engagement environnemental dans le cadre de la planification écologique

    Dans le cadre de la planification écologique du système de santé français, qui représente plus de 8% des émissions de gaz à effet de serre nationales, l’ANSM initie un projet pilote visant à réduire le gaspillage médicamenteux. La majorité des médicaments autorisés en France ont une durée de conservation de 2 à 3 ans, entraînant la destruction de milliers de boîtes.

    Cette initiative s’inscrit dans la stratégie nationale de durabilité et dans les actions européennes en faveur de l’augmentation de la durée de vie des produits de santé.

    Tableau récapitulatif des principaux critères

    Critère Détails
    Dates clés Ouverture : 21 novembre 2025
    Clôture : 20 mars 2026
    Publication des sélectionnés : 3 mois après clôture
    Durée du projet : 5 ans ​
    Financement Accompagnement scientifique et réglementaire via les équipes ANSM et le Guichet Innovation et Orientation (GIO)​
    Nature des projets Augmentation de la durée de conservation des spécialités pharmaceutiques commercialisées en France par modification d’AMM ​
    Éligibilité Laboratoires pharmaceutiques titulaires d’AMM ou exploitants de médicaments commercialisés en France, s’engageant sur la base du volontariat ​
    Modalités de dépôt Candidature via la plateforme Démarches simplifiées : lien plateforme​
    Critères de sélection Évaluation des dossiers par l’ANSM après clôture de l’appel ​
    Bénéfices pour les candidats Accompagnement réglementaire ANSM/GIO. Reconnaissance possible dans dispositifs RSE.​

    Procédure de candidature et de mise en œuvre

    Composition du dossier de candidature

    Le dossier doit comporter :​

    • Informations générales : nom du titulaire de l’AMM, nom de l’exploitant (si différent), coordonnées du contact référent du projet
    • Liste des spécialités envisagées : nom commercial, numéro d’AMM (CIS), durée de conservation actuelle (en mois), objectif de durée cible (en mois), disponibilité des données supportives, engagement prévisionnel de dates de dépôt des demandes de modifications d’AMM.

    Engagements des laboratoires sélectionnés

    Les laboratoires participants s’engagent à :​

    • Identifier les spécialités pour lesquelles une augmentation de durée est scientifiquement envisageable.
    • Déposer des demandes de modification d’AMM dans un délai de 5 ans.
    • Participer à l’évaluation annuelle en décembre : référence et date d’approbation de chaque modification (procédures décentralisée, reconnaissance mutuelle ou centralisée), durée autorisée, utilisation du GIO.
    • Sur la base du volontariat : fournir un retour d’expérience annuel comprenant l’estimation de la réduction du gaspillage (tonnage ou valeur détruite/an), la réduction des contraintes logistiques, la valorisation carbone selon la méthodologie publique DGE, et tout élément illustrant bénéfices ou limites.​

    Suivi et évaluation

    L’ANSM réalisera deux évaluations, à mi-parcours et en fin de projet, portant sur le nombre de spécialités ayant vu leur durée augmentée et les retours d’expérience des industriels. Les laboratoires devront utiliser la plateforme Démarches simplifiées pour l’évaluation annuelle via ce lien.

    Projet sur l’augmentation de la durée de conservation des médic – ANSM ​

  • Diagnostic digestif : l’analyse d’haleine entre en phase de test en entreprise

    OMED Health et Aviva évaluent au Royaume-Uni une technologie d’analyse du souffle destinée à détecter les déséquilibres du microbiote intestinal. Une approche in vitro non invasive susceptible d’améliorer le diagnostic des troubles digestifs fonctionnels. Les troubles digestifs fonctionnels, dont le syndrome de l’intestin irritable (SII) ou la prolifération bactérienne du grêle, restent peu diagnostiqués en raison de symptômes diffus. Leur impact est pourtant massif :

    • 1 personne sur 8 touchée dans le monde.
    • 17 % des adultes concernés au Royaume-Uni, selon NHS Digestive Health.
    • 2 Md £ de coûts directs annuels pour le SII.

    Une technologie d’analyse d’haleine de nouvelle génération

    Pour affiner le diagnostic, OMED Health — division d’Owlstone Medical et pionnière du Breath Biopsy — développe un dispositif associant :

    • Un analyseur portable mesurant les composés volatils issus du microbiote.
    • Une application mobile intégrant données cliniques et nutritionnelles.
    • Un algorithme corrélant biomarqueurs gazeux et symptômes, afin d’individualiser le suivi.

    Un pilote interne de 6 mois en conditions réelles

    Selon une étude observationnelle conduite auprès de 75 salariés de la compagnie d’assurance Aviva, ce programme de pilote interne s’appuie sur :

    • Un accompagnement personnalisé.
    • Des téléconsultations spécialisées.
    • Un suivi biomédical continu, via le service OMED Health Plans agréé par la Care Quality Commission (CQC), l’autorité indépendante qui régule les services de santé et de soins en Angleterre.

    Vers une validation clinique et organisationnelle

    Les résultats, attendus d’ici la fin de l’année, analyseront :

    • La corrélation entre gaz exhalés et troubles digestifs.
    • La réduction des symptômes rapportés.
    • L’effet sur la qualité de vie et la productivité.

    En cas de succès, OMED Health prévoit une extension européenne et une demande d’homologation CE-DIV. Cette approche de diagnostic in vitro à domicile pourrait s’inscrire dans la stratégie britannique Fit for the Future – 10-Year Health Plan, orientée prévention et santé numérique.

     

  • Etude : un biomarqueur potentiel du stress chronique identifié par IA (Congrès)

    Les surrénales, baromètre biologique du stress

    Le stress chronique est un facteur de risque majeur, mais ses marqueurs biologiques restent difficiles à saisir : les questionnaires sont subjectifs et les mesures de cortisol ne reflètent qu’un instantané. L’IA offre aujourd’hui un levier inédit pour identifier, dans des images médicales déjà disponibles, des signatures morphologiques imperceptibles aux cliniciens. Cette approche d’imagerie opportuniste augmentée par l’IA consiste à réinterpréter des scanners standards afin d’en extraire de nouveaux phénotypes biologiques. L’étude s’inscrit dans cette dynamique en dévoilant un biomarqueur du stress invisible à l’œil humain, mais que l’IA parvient à mesurer automatiquement.

    Les chercheurs ont analysé les données de 2 842 participants de la cohorte MESA, dont les scanners thoraciques ont été réévalués grâce à un modèle d’apprentissage profond capable de détecter, segmenter et mesurer précisément les glandes surrénales. Cette automatisation est déterminante, car ces structures de petite taille sont rarement quantifiées en clinique.

    Un volume surrénalien calculé par IA

    Pour chaque participant, l’algorithme a calculé un volume surrénalien normalisé sous forme d’Adrenal Volume Index (AVI), rapporté à la taille. Cet indicateur a ensuite été comparé à plusieurs mesures indépendantes du stress chronique : questionnaires validés, cortisol salivaire répété et score de charge allostatique, un indicateur global du stress chronique, construit à partir de plusieurs mesures biologiques (pression artérielle, glycémie, inflammation, etc.). Enfin, l’équipe a étudié les liens entre l’AVI et différents paramètres cardiovasculaires, notamment le remodelage du ventricule gauche, l’incidence d’insuffisance cardiaque et la mortalité.

    Résultats : une quantification objective du stress chronique

    • Les participants présentant un stress perçu élevé avaient un AVI significativement supérieur.
    • L’AVI était corrélé au cortisol salivaire, aux scores de stress et à la charge allostatique (corrélations significatives).
    • Chaque augmentation de 1 cm³/m² de l’AVI était associée à un risque accru d’insuffisance cardiaque au suivi.
    • L’AVI constituait un prédicteur indépendant de mortalité toutes causes confondues.
    • Un AVI plus élevé était associé à un index de masse ventriculaire gauche plus important, signe d’un remodelage cardiaque.

    En révélant un biomarqueur invisible à la lecture humaine standard, cette approche illustre le potentiel de l’IA pour enrichir la valeur clinique des images déjà disponibles, sans examen supplémentaire. Ce biomarqueur piloté par l’IA aurait le potentiel d’améliorer la stratification du risque cardiovasculaire et d’orienter les soins préventifs — sans tests supplémentaires ni radiation. À terme, l’AVI pourrait donc être intégré automatiquement dans les workflows d’imagerie pour repérer les individus exposés à un stress chronique délétère, avec un coût marginal minimal.

    Une utilisation en clinique prématurée

    La Dr Elena Ghotbi, première auteure de l’étude et chercheuse postdoctorale en radiologie à Johns Hopkins, insiste sur le fait que leur « modèle d’IA montre que des données d’imagerie largement disponibles peuvent révéler des informations biologiques essentielles, auparavant impossibles à mesurer en routine. » Le Pr Shadpour Demehri, professeur de radiologie et directeur des recherches en imagerie à Johns Hopkins, souligne lui l’enjeu clinique : « Pour la première fois, nous pouvons visualiser le fardeau à long terme du stress dans le corps à partir d’examens que les patients obtiennent déjà quotidiennement. L’IA change ici radicalement ce que la radiologie peut voir. »

    Des validations prospectives, des réplications sur d’autres systèmes d’IA et une harmonisation des protocoles d’analyse des images seront cependant nécessaires avant un déploiement clinique. Mais l’étude montre déjà comment l’IA peut transformer un scanner thoracique courant en outil de phénotypage biologique avancé.

     

    * Quantifying chronic stress and cardiovascular risk via adrenal volume on chest ct: an opportunistic deep learning approach in the mesa

    Roham Hadidchi, Seyedhouman Seyedekrami, Quincy A. Hathaway, M.D., Ph.D., Michael Bancks, Nikhil Subhas, Matthew J. Budoff, M.D., David A. Bluemke, M.D., Ph.D., R. Graham Barr and Joao A.C. Lima, M.D.

    https://www.rsna.org/-/media/files/press/2025/2625/ghotbi-abstract.pdf?rev=d112b4f3efe24ec4adcf51ccdcad4d0b&hash=4D418FAAFEE98CF9E9E15A766691271D

  • Neurodéveloppement et radiologie pédiatrique : état des lieux des innovations d’IA

    Analyse stratégique : Solutions et projets d’IA en pédiatrie

    Contexte général : une urgence de santé publique mondiale

    1 enfant sur 6 présente des troubles du neurodéveloppement et de santé mentale associés, dont seulement 8% sont diagnostiqués en raison d’une complexité clinique, d’une pénurie critique de praticiens spécialisés et de coûts élevés. Parallèlement, alors que l’autisme peut être diagnostiqué de manière fiable dès 18 mois, l’âge moyen de diagnostic aux États-Unis demeure supérieur à 4 ans. Ces délais diagnostiques ont des implications durables : les enfants diagnostiqués tardivement ou pas du tout manquent des interventions précoces essentielles, moment critique pour l’efficacité thérapeutique.​

    Cet écart entre diagnostic possible et diagnostic réel constitue un enjeu stratégique majeur. Il reflète une asymétrie structurelle : la demande d’évaluations diagnostiques croît exponentiellement tandis que l’offre de professionnels spécialisés demeure stationnaire ou décline. Les solutions d’intelligence artificielle émergentes visent directement à combler cet écart critique.

    Opportunités d’IA en radiologie pédiatrique : automatisation et accélération des diagnostics

    Les algorithmes d’IA peuvent estimer l’âge osseux pédiatrique avec une marge d’erreur de ±4,2 mois à ±5,4 mois, comparée à 9 minutes de consultation manuelle utilisant l’atlas Greulich & Pyle. Cette réduction du temps de traitement représente bien plus qu’une optimisation opérationnelle : elle redéfinit la capacité diagnostique des établissements de santé.​

    Plusieurs solutions technologiques matérialisent cette opportunité. AZboneage, logiciel marqué CE d’AZmed, automatise l’estimation de la maturité squelettique en analysant les radiographies des mains par la méthode Greulich & Pyle. Une étude comparative démontre que l’algorithme d’IA affiche une marge d’erreur absolue moyenne (MAE) de 0,488 années chez les garçons et 0,494 années chez les filles, supérieure à celle d’un radiologue généraliste non spécialisé en pédiatrie (MAE de 0,771 et 0,673 années respectivement). BoneView BoneAge de Gleamer affiche des performances comparables, avec une MAE de 1,38 années, similaire aux estimations radiologues (MAE 1,30 années) mais surpassant la méthode Tanner-Whitehouse version 2 (MAE 2,86 années).​

    ImageBiopsy Lab PANDA offre une intégration directe au point de service. Ses résultats sont générés en moins de 5 secondes et présentés dans les formats standards DICOM, préservant l’image radiographique originale pour l’auditabilité. Cette approche « zero-click » minimise la friction workflow, élément critique d’adoption en environnement clinique haute-volume.​

    Au-delà du simple diagnostic, ces outils réduisent la variabilité inter et intra-examinateur, problématique majeure en médecine. Milvue rapporte une amélioration de 20% de la sensibilité diagnostique pour les fractures pédiatriques et une réduction de 22% du temps diagnostique. Pour les urgences pédiatriques, ces gains se traduisent par une diminution démontrée des délais d’attente et une amélioration de la productivité clinique.​

    Neurodéveloppement et diagnostic précoce : redéfinir le parcours de soins

    O-Kidia ambitionne de créer les standards du diagnostic et pronostic digital des troubles du neurodéveloppement chez les enfants de 5 à 25 ans. Son approche combine biométrie, biomarqueurs et machine learning pour identifier des signatures symptomatologiques et des profils différentiels des troubles du déficit de l’attention avec hyperactivité (TDAH) et comorbidités.​

    Spectrum Mind®, son dispositif médical numérique central, automatise des tâches chronophages (cotation des scores, génération de rapports) tout en produisant une approche transdiagnostique en « réseau de symptômes ». Cette méthodologie redéfinit le diagnostic en reconnaissant que les troubles du neurodéveloppement ne se manifestent pas selon des catégories cliniques discrètes mais selon des dimensions interactives (émotion, état physique, cognition, comportement).​

    Cognoa propose une approche complémentaire avec Canvas Dx, première et unique solution diagnostique autorisée par la FDA pour le diagnostic ou l’exclusion de l’autisme chez les enfants de 1,5 à 6 ans « dans les jours et non les mois ou années ». Le système combine trois données : questionnaires aux aidants, évaluations cliniciennes et analyse vidéo à domicile. En production réelle, Canvas Dx atteint un taux de valeur prédictive négative de 97% et valeur prédictive positive de 95%, avec résultats déterminés pour 78% des enfants évalués. Cette capacité d’administration à distance supprime les obstacles géographiques et réduit l’accès aux centres de spécialités surcommittés.​

    Neurotélémetrie et surveillance continue : innovation en soins intensifs néonatals

    Un projet né au Mount Sinai, formalisé sur plus de 282 301 minutes vidéo de 115 nouveau-nés en unités de soins intensifs néonatals, démontre que l’IA peut détecter les changements neurologiques pédiatriques à partir de vidéo. L’algorithme de reconnaissance posturale (« Pose AI ») entraîné sur 16,9 millions de secondes de vidéo identifie la sédation et le dysfonctionnement cérébral avec haute précision.​

    Ce développement redéfinit la surveillance néonatale. Contrairement à la télémétrie cardio-respiratoire standard, la « neurotélémetrie » automatisée demeurait techniquement élusive. Cette innovation ouvre une « neuro-monitoring strip » continue analogue aux tracés cardiaques, permettant l’alerte automatique sur changements neurologiques et facilitant les interventions précoces.

    De manière complémentaire, une équipe de l’Université de Montréal a validé un algorithme qui évalue la maturité cérébrale des nourrissons en quelques minutes à partir de signaux EEG, capable d’identifier anomalies dans la progression neurodéveloppementale. Entraîné sur données de 2 000 enfants australiens et finlandais, cet outil crée un « carnet de croissance cérébrale » numérique personnalisé.​

    Assistance aux parents et médecine de précision pédiatrique

    Doctolib Parents, lancé début 2026 en partenariat avec la Société française de pédiatrie et le Collège national des sages-femmes, adresse une population jusqu’ici exclue des outils numériques : les parents d’enfants de moins de 4 ans. L’assistant IA propose contenu pédagogique validé, conseils préventifs et suivi sanitaire partageables aux soignants. Doctolib revendique déjà 5 millions de consultations assistées par IA via ses outils professionnels.​

    L’unité R2P2 du Pr Jean Bergounioux (Hôpital Raymond Poincaré, UVSQ/Inserm) développe des solutions d’aide au diagnostic précoce des nouveau-nés fragiles, combinant médecine, physiologie, informatique et robotique. Son approche systématique—hybridation technologies, IA biomédicale et expertises cliniques—transforme solutions individuelles en standards accessibles au plus grand nombre.​

    Imagerie pédiatrique de prochaine génération : réduction des doses et standardisation

    Depuis septembre 2025, la Fondation Lenval dispose d’un scanner assisté par IA réduisant significativement l’irradiation tout en améliorant la qualité diagnostique. Cette innovation répond à la préoccupation principale de la pédiatrie : minimiser l’exposition aux rayonnements ionisants. Le scanner myExam Companion Siemens automatise workflows d’examen, position patients automatiquement et réduit temps de travail des opérateurs inexpérimentés de 353 secondes à 92 secondes—performance rapprochée aux collègues expérimentés.​

    Risques majeurs : fractures régulateurs et disparités d’accès

    Seul 1 outil d’IA sur plus de 100 autorisés par la FDA pour diagnostic radiologique est approuvé pour utilisation pédiatrique. Ce déséquilibre criant reflète plusieurs déficits : absence de financement spécifique pédiatrique comparé aux adultes, absence de dispositif législatif comparable aux lois 2002-2003 sur développement pharmaceutique pédiatrique, et clarté réglementaire insuffisante sur l’âge d’utilisation des dispositifs IA.​

    Le cadre régulateur présente des failles majeures. L’FDA approuve 97% des dispositifs IA-activés via la voie 510(k) à bas/modéré risque, 22 via reclassification de novo, et seulement 4 via approbation prémarché pour risque élevé. Aucune voie régulatore n’a été formellement désignée pour IA/ML. De plus, les documents FDA publiquement disponibles omettent fréquemment les âges d’utilisation visés, empêchant les cliniciens de discerner si le logiciel a été validé pédiatriquement.​

    Risque de propagation des biais et inéquités systémiques

    Les enfants noires et latino-américaines reçoivent diagnostics autistiques 19% à 65% moins fréquemment que leurs pairs blancs, avec dispariités persistant indépendamment de la classe économique. L’IA codifie ces biais si entraînée sur données non-représentatives. Une majorité de datasets d’entraînement IA est dominée par données provenant de pays développés ; les algorithmes peuvent alors échouer chez enfants populations minoritaires, populations sous-médicalisées ou géographies insuffisamment représentées.​

    Canvas Dx a été conçu avec données diverses et déploie stratégies actives pour réduire biais (évaluation à domicile, analyse vidéo objective), mais ce modèle demeure exception. Pour algorithmes d’estimation de l’âge osseux, validations soulignent explicitement le besoin de tests rigoureux sur populations ethniquement diverses.​

    Inversement, même algorithmes non-biaisés implémentés inéquitablement perpétuent disparités. Familles sans accès fiable à ordinateurs ou connectivité internet ne peuvent accéder technologies numériques remotely-administered. Communautés sans infrastructure technologique ou faible « digital literacy » restent exclues. Cette fracture risque d’élargir inéquités existantes.​

    Défis d’intégration clinique et de dépendance technologique

    Adoption IA en pédiatrie se heurte à obstacles d’implémentation. Institutions doivent investir en infrastructure informatique, entraînement personnel et intégration workflows PACS/EMR. Coûts initiaux élevés et complexité technique peuvent exclure petits hôpitaux ou structures de ressources limitées.

    De plus, responsabilité clinique reste ambiguë. Si IA recommande diagnostic différent du jugement clinicien, qui porte responsabilité diagnostic erroné ? Cette tension crée incertitude légale et éthique. Cliniciens doivent demeurer « superviseur actif » ne se reposant pas unilatéralement sur recommandations IA—mais cette double-vérification neutralise gains de vitesse si implicitement requise.

    Défis données et représentativité : le problème pédiatrique spécifique

    Contrairement adultes où données massives alimentent IA clinique, données pédiatriques demeurent limitées. Status développemental variable (nouveau-né vs adolescent), tailles et physiologies différentes, conditions rares concentrées, fenêtres diagnostiques étroites—tout cela rend données pédiatriques intrinsèquement plus complexes à normaliser.

    Si modèles IA sont entraînés sur données population développées, généralisation à enfants pays en développement reste hautement douteuse. Variants phénotypiques rares, facteurs socio-économiques, accès healthcare disparate : datasets doivent capturer cette hétérogénéité pour maintenir fiabilité clinique.​

    Lacunes de validation et absence de suivi postmarché systématique

    FDA n’a pas établi suivi postmarché systématique pour dispositifs IA pédiatriques. Problème critique : algorithmes doivent être testé et revalidé après déploiement. Si performance dérive (dataset distribution change, bug intervient, conditions d’usage dévient de l’intended use), infrastructure manque pour détecter et escalader problèmes cliniquement.​

    Les Predetermined Change Control Plans (PCCP) proposés constituent progrès, mais implémentation reste volontaire et non-standardisée. Absence base centrale registry pédiatrique suivant sécurité et accuracy longitudinalement.

    Stratégies de déploiement et modèles économiques durables

    Lenval Foundation a déployé Milvue AI intégré à son imagerie pédiatrique, analysant 62 000 examens annuels pédiatriques/adultes avec sensibilité augmentée 20% pour fractures pédiatriques. Ce modèle illustre adoption réussie : intégration profonde infrastructure existante, mesure kpis concrets (sensibilité, délais), implication cliniciens dans validation.​

    O-Kidia a reçu labellisation DeepTech reconnaissant innovation biomédicale de rupture. Stratégie d’accessibilité multimodale : approche transdiagnostique réduit besoin données massives par incorporation expertise clinique. Essais cliniques rigoureux (jusqu’à 1 000 enfants) et validation scientifique soutiennent marketing médicale auprès hôpitaux publics et systèmes assurance.​

    Doctolib capitalise install base 50 millions utilisateurs français. Doctolib Parents gratuit initialement (monétisation via abonnement futur), réduisant barrières adoption médecins et parents. Partenariat institutions pédiatriques de référence légitime approche médicale.​

    Évaluation du paysage compétitif et positionnement stratégique

    Paysage solutions IA pédiatriques se structure selon trois axes : (1) radiologie diagnostique (AZmed, Gleamer, ImageBiopsy, Milvue—focus détection osseal, fractures, chest), (2) neurodéveloppement et psychiatrie (O-Kidia—TDAH/comorbidités, Cognoa—autisme), (3) surveillance continue et monitoring (Mount Sinai Pose AI, Université Montréal EEG brain age, myExam Companion).

    Chaque axe adresse besoin clinique distinct mais complémentaire. Fragmentação intentionnelle : radiologie pédiatrique se concentre sur workflows radiologue ; neurodéveloppement sur accès diagnostic hors spécialistes; monitoring sur surveillance NICU. Peu concurrence directe. Opportunity coopérative : plateforme intégrant radiation dose optimization (imagerie), diagnostic neurodeveloppement précis (O-Kidia), et parental engagement (Doctolib) redéfinirait standard pédiatrique.

    Perspectives réglementaires et cadre éthique émergent

    FDA reconnaît explicitly besoin guidance spécifique IA/ML (guidance draft janvier 2025 lifecycle management). Cependant, absence cadre pédiatrique destiné distinct. France et Europe entament régulation IA santé (Doselia project mentionné sources Gustav Roussy) avec emphase souveraineté données, explainability, et équité.

    Éthique pédiatrique implique droits enfants : droit accès équitable santé de qualité, transparence algorithm, consentement informé, protection données. Cognoa a obtenu remboursement Highmark Insurance (US) — modèle économique validé par payer commercial. Europe française tend vers modèle public/collectif.

    Synthèse stratégique et perspectives

    L’IA en pédiatrie redéfinit trois frontières cliniques : (1) compression temporelle diagnostique (autisme diagnostic en jours vs mois/années), (2) démocratisation accès (diagnostic TDAH accessible non-spécialistes primaires via Spectrum Mind; autisme via Canvas Dx remote), et (3) réduction exposition radiologique pédiatrique (imagerie assistée IA, doses réduites 20-30%).

    Opportunités stratégiques demeurent substantielles mais contingentes à résolution déficits regulators, accès équitable et validation clinique rigoureuse. Acteurs succès (Cognoa, O-Kidia, Milvue, AZmed) partagent trois caractéristiques : (i) focus domaine clinique restreint haute-validation, (ii) partenariats institutions pédiatriques de référence apportant crédibilité, (iii) engagement cycle complet données—entraînement, validation, déploiement, monitoring.

    Risques majeurs concentrent inéquités systémiques et gouvernance. Sans action volontaire, IA peut codifier diagnostiquer moins fréquemment enfants minority populations, exacerbant disparités existantes. Frameworks éthiques préalables et dataset diversity délibérée doivent précéder, non suivre, déploiement clinique.

    Horizon stratégique 2026-2030 : convergence probable entre solutions point-care (imagerie Lenval + diagnostic O-Kidia) et engagement patient-parent (Doctolib Parents) créerait écosystème pédiatrique digital de rupture. Infrastructure investissement publique (CHU, foundations) combinée avec écosystème startup français (O-Kidia, Milvue) et international (Cognoa) positionne opportunité unique d’export technologique pédiatrique français.

    Recommandations stratégiques : (1) Accélération funding innovation pédiatrique (equivalent Pediatric Research Equity Act US), (2) Standardisation datasets validation multi-site/multi-ethnique pédiatrique, (3) Intégration précoce bioétiquiciens et patient families dans co-design algorithmes, (4) Cadre réglementaire pédiatrique spécifique FDA/EMA établissant labeling clair, suivi postmarché obligatoire, (5) Modèles economiques pérennisant accès équitable via financements publics/assurance sociale. Ces leviers transformeraient innovations fragmentaires actuelles en standard universel de santé pédiatrique.

    Cartographie des solutions d’IA en pédiatrie @ HTI

     

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • Cartographie des acteurs Français qui transforment la prise en charge de pédiatrie

    Une prise en charge plurielle de la santé mentale et neurodéveloppementale

    La santé mentale des enfants est au cœur du dispositif pédiatrique français, prenant en compte les spécificités cliniques et sociales de chaque jeune patient. Les centres médico-psychologiques (CMP), les centres hospitaliers spécialisés (CHS) en pédopsychiatrie, et les Centres de Référence pour les troubles du neuro-développement assurent ensemble une réponse coordonnée et adaptée, souvent en lien avec les maisons d’enfants à caractère social (MECS). Ces structures fonctionnent en synergie, animées par une volonté de contextualisation et de globalité dans la prise en charge. La recherche et l’innovation accompagnent cette dynamique, notamment par le biais de l’Institut national de la santé et de la recherche médicale (Inserm), moteur d’avancées cliniques et technologiques. Parmi les acteurs académiques majeurs, l’Institut hospitalo-universitaire (IHU) Imagine et l’Institut Necker-Enfants malades occupent une place essentielle, en fédérant des experts autour de la compréhension des maladies infantiles et du développement de nouveaux protocoles basés sur les connaissances scientifiques les plus récentes.

    Oncologie pédiatrique : un réseau d’excellence multidisciplinaire

    L’oncologie pédiatrique en France s’appuie sur un réseau dense qui intègre des établissements hospitaliers de pointe, des instituts de recherche et des collectifs associatifs. Le partenariat entre l’AP-HP, Gustave Roussy, l’Institut Curie et Paris Kids Cancer illustre cette complémentarité. Ces acteurs unissent leurs forces pour offrir une prise en charge innovante, multidimensionnelle et centrée sur la qualité de vie des jeunes patients. Le rôle de l’Institut National du Cancer (INCa) est primordial dans le financement et la coordination de la stratégie nationale, marquée par des efforts importants pour structurer une recherche intégrée. Dans cette optique, les collectifs associatifs comme UNAPECLE, GRAVIR ou la Fédération Grandir Sans Cancer complètent le tableau, en agissant sur les volets informations, droits des patients et soutien aux familles, tout en veillant à l’accès équitable aux innovations.

    Néonatologie : un soin attentif et technologiquement soutenu

    La néonatologie française est caractérisée par une concentration d’expertises autour des besoins des nouveau-nés fragiles ou prématurés, avec un réseau structuré d’unités dédiées et d’associations de soutien. La Société Française de Néonatologie (SFN) est une instance pivot pour la diffusion des bonnes pratiques, en particulier celles intégrant les nouvelles technologies et approches interdisciplinaires. Le soutien apporté par des associations comme SOS Préma, qui accompagne les familles, témoigne d’une volonté d’humaniser cette phase critique par un accompagnement global. L’AFM-Téléthon joue un rôle majeur en matière de dépistage néonatal et de recherche sur les maladies génétiques rares associées, favorisant un écosystème capable d’innover tout en maintenant le cap sur la qualité et la sécurité des soins.

    Maladies génétiques rares : mobiliser la recherche et la coordination

    Les maladies rares pédiatriques mobilisent un ensemble d’acteurs qui convergent vers une meilleure coordination et une recherche toujours plus efficiente. L’Institut Imagine, avec son ancrage hospitalo-universitaire, fait figure de centre de gravité, fédérant médecins, chercheurs et patients autour d’une mission commune. À l’échelle régionale et nationale, la plateforme d’expertise maladies rares Paris Nord rassemble plusieurs centres hospitaliers et laboratoires, renforçant les échanges et harmonisant les pratiques cliniques. L’INSERM via des réseaux tels que PEDSTART soutient quant à lui la recherche clinique pédiatrique à base translationnelle et insiste sur une collaboration interinstitutionnelle pour accélérer les progrès.

    Maladies chroniques : éducation et prévention en réseau

    Face à l’augmentation des maladies chroniques comme l’asthme ou l’obésité, la France a structuré des réseaux d’acteurs dédiés, alliant établissements, professionnels de terrain et associations locales. Ces réseaux travaillent avec une attention particulière sur l’éducation thérapeutique et l’accompagnement à long terme des patients et de leurs familles. La Fondation des Hôpitaux, à travers ses campagnes Pièces Jaunes, soutient des programmes innovants visant à améliorer la qualité de vie des enfants malades chroniques. L’Association Française de Pédiatrie Ambulatoire (AFPA) joue également un rôle crucial en encourageant l’intégration opérationnelle des outils numériques dans la pratique ambulatoire, favorisant une médecine proactive et centrée sur le patient.

    Radiologie pédiatrique : un secteur en pleine évolution collaborative

    La radiologie pédiatrique bénéficie d’une attention particulière de la part du corps médical et des chercheurs, réunis au sein des grands hôpitaux comme Necker et Robert-Debré. Ces centres collaborent étroitement avec des laboratoires universitaires et des équipes de recherche technologique, illustrant une dynamique fertile d’échanges. La chaire AI-4-Child, portée par IMT Atlantique, témoigne de cette synergie entre monde académique et hospitalier. En parallèle, des conférences nationales et européennes organisées régulièrement créent un espace de réflexion et de formation sur les usages responsables et efficaces de l’intelligence artificielle dans ce domaine.

    Sociétés savantes, syndicats et associations professionnelles dans l’écosystème IA

    La Société Française de Pédiatrie (SFP) pilote la diffusion des bonnes pratiques, formations et recommandations pour intégrer l’IA dans les soins pédiatriques. Elle collabore avec PedStart et les comités d’évaluation des outils numériques, soutenant la formation aux outils IA.​Les syndicats comme le SNPF et le SNPEH accompagnent l’adoption des technologies numériques et intelligentes par la formation, notamment en téléconsultation et e-santé pédiatrique. Les associations de patients jouent un rôle essentiel dans l’acceptabilité de l’IA, notamment les fédérations neurodéveloppementales et maladies rares qui collaborent à des projets intégrant IA et suivi personnalisé

  • De la néonatologie à la santé mentale : comment l’IA recompose la pédiatrie

    Insights:

    • L’intelligence artificielle permet un dépistage universel plus efficace et rapide (par exemple, élargissement du spectre génétique au dépistage néonatal).
    • L’IA, intégrée à l’imagerie, réduit l’irradiation et le temps de diagnostic chez l’enfant.
    • Les solutions d’IA pèsent sur l’équité en santé : 74% des applications IA pour la santé mentale infantile sont payantes.
    • Les modèles d’IA en pédiatrie égalent ou surpassent parfois l’expertise humaine sur des tâches spécialisées (ex. : classification des malformations, analyse de la douleur).​
    • L’IA améliore la détection précoce des troubles neurodéveloppementaux et des maladies rares chez les enfants, contribuant à réduire l’errance diagnostique.
    • Taux de diagnostic efficace du TSA par IA (Canvas Dx) : valeur prédictive négative 97%, valeur prédictive positive 95%.
    • La France a ajouté 3 nouvelles maladies au panel du dépistage néonatal en 2025 : amyotrophie spinale, DICS (déficit immunitaire combiné sévère), déficit en VLCAD (déficit en acyl-coenzyme A-déshydrogénase).
    • Une cohorte de 77 219 patients pédiatriques a été utilisée pour l’entraînement d’un algorithme de prédiction des examens aux urgences.

     

    📌Pédiatrie en tension : mortalité infantile en hausse et pénurie de soignants

    En France, la santé de l’enfant se dégrade avec une hausse de 17% de la mortalité infantile entre 2011 et 2024, passant de 3,5 à 4,1 décès pour 1 000 naissances vivantes, alors que la moyenne de l’Union européenne est à 3,3. En 2024, 2 700 enfants de moins d’un an sont décédés, et la France ne se situe plus parmi les pays les mieux classés, contrairement aux années 1990. Les enfants représentent 27% des passages aux urgences, soit plus de 5,5 millions d’entrées annuelles, dans un contexte de délais de 6 à 18 mois pour obtenir un avis en pédiatrie ou pédopsychiatrie. Le pays compte environ 8 500 pédiatres, seulement 22e sur 31 pays de l’OCDE pour la densité pédiatrique, avec une menace de départs massifs à la retraite. Parallèlement, 350 000 enfants sont inscrits au registre des maladies rares et les pathologies chroniques, comme l’asthme et le diabète de type 1, progressent régulièrement, tout comme les troubles psychiques. Le suicide est devenu la deuxième cause de mortalité chez les 10-25 ans et les tentatives ont bondi de plus de 60% chez les 10-14 ans. Cette accumulation de tensions met en lumière des fragilités structurelles que les politiques publiques peinent encore à résorber.

    👉 Plus de détails sur «Diabète, asthme, cancers : des pathologies pédiatriques en hausse, sur fond de pénurie de soignants – Health & tech».

     

    📌IA pédiatrique : 95 études et des performances jusqu’à 100% de sensibilité

    Les performances des modèles vont de 68,9% de précision pour la prédiction du retard de croissance jusqu’à 100% de sensibilité pour certaines applications de dépistage néonatal combinant génomique, métabolomique et machine learning. En pneumonie pédiatrique, une revue de 35 études rapporte une précision médiane de 92,3% pour distinguer pneumonies virales et bactériennes et de 91,8% en classification multiclasse, souvent grâce à des réseaux convolutifs entraînés sur le même jeu de données de radiographies, ce qui pose des questions de généralisabilité. D’autres algorithmes détectent des malformations auriculaires néonatales avec 94 à 98% de précision en binaire, ou évaluent la douleur procédurale sur EEG avec une aire sous la courbe d’environ 0,90. La santé mentale de l’enfant mobilise aussi l’IA, avec 27 applications mobiles analysées mais très peu d’essais cliniques. Malgré ce potentiel, l’ensemble du corpus souligne les limites méthodologiques, le manque de validation externe et les enjeux d’équité d’accès, en particulier lorsque 74% des apps de santé mentale infantile reposent sur un modèle payant

    👉 Plus de détails sur «IA : 95 études en 2025 valident un tournant clinique en pédiatrie (revue de littérature) – Health & tech ».

     

    📌De la Loi Taquet à l’AI Act : vers une pédiatrie du dépistage universel et des données massives

    Depuis 2022, la pédiatrie française connaît une mutation silencieuse, structurée par l’extension du dépistage néonatal, la refonte des soins critiques et la montée en puissance des bilans de santé, créant un terrain favorable à la médecine algorithmique sous contrôle de l’AI Act. En septembre 2025, trois nouvelles pathologies – amyotrophie spinale, déficits immunitaires combinés sévères et déficit en VLCAD – ont rejoint le panel des maladies systématiquement dépistées chez les nouveau-nés, tandis que la drépanocytose est passée d’un dépistage ciblé à un dépistage universel en novembre 2024. Ces choix consacrent l’idée d’un droit universel à la prévention génétique, au prix d’un afflux massif de données biologiques et génomiques à analyser. En parallèle, le Plan d’action pour la santé de l’enfant 2024-2030 renforce les bilans à 6 ans et au collège et les intègre dans Mon Espace Santé, qui devient l’ossature numérique du suivi pédiatrique. La réforme des autorisations de soins critiques en 2023, en séparant réanimation pédiatrique et soins intensifs avec des seuils d’activité et ratios renforcés, favorise des volumes de données plus homogènes, propices à des modèles prédictifs fiables. L’AI Act impose toutefois des contraintes fortes sur les systèmes à haut risque, ralentissant les usages immatures mais sécurisant le développement d’outils réellement robustes.

    👉 Plus de détails sur «De la Loi Taquet à l’AI Act : comment la réglementation redessine la pédiatrie – Health & tech».

    📌 IA, parents et enfant : pourquoi le prédictif restera limité en pédiatrie

    L’entretien avec Jean-Baptiste Masson met en lumière trois contraintes majeures pour l’IA en pédiatrie : l’hétérogénéité d’un corps en croissance, la rareté et la sensibilité juridique des données, et la relation tripartite enfant-parents-médecin. La variabilité rapide des images et des constantes biologiques d’une année sur l’autre rend difficile l’alignement temporel classique utilisé chez l’adulte. De plus, l’accès aux données de mineurs est plus restreint, ce qui limite la constitution de grands jeux de données annotés. L’expert rappelle, en s’appuyant sur les limites mathématiques du prédictif issues notamment des systèmes chaotiques, que prétendre prédire finement le devenir d’un organisme humain complexe relève d’une forme de surinterprétation technologique. Les « jumeaux numériques », efficaces dans l’industrie, se heurtent ici au nombre trop important de variables cachées pour délivrer des trajectoires fiables à long terme. L’IA apparaît donc plus crédible sur l’aide à la décision que sur la prédiction individuelle, par exemple à travers des systèmes comme Sonio qui encodent le raisonnement médical en imagerie prénatale en proposant des questions ciblées plutôt que des oracles. Enfin, la communication se fait principalement avec les parents, ce qui recentre l’IA sur des outils de visualisation intelligibles, comme la 3D d’Avatar Medical, plus que sur des modèles prédictifs.

    👉 Plus de détails sur «“Il faut être capable de montrer aux parents : voilà votre enfant, voilà l’anomalie, voilà ce qu’on va faire… il y a là un vrai enjeu” Jean-Baptiste Masson (Decision and Bayesian Computation lab) – Health & tech».

    📌Cas d’usage IA en pédiatrie : de la néonatologie à la neurorééducation

    L’article dresse un panorama de cas d’usage concrets de l’IA en France, depuis les premiers jours de vie jusqu’à la rééducation des enfants avec handicap. En néonatologie, le projet AGMA-PESS du CHU de Saint-Étienne automatise l’analyse des mouvements spontanés des prématurés à partir de vidéos, en détectant les points clés du corps et en sélectionnant les séquences les plus informatives, afin d’objectiver précocement des anomalies motrices. Dans les maladies neuromusculaires, l’unité R2P2 de l’hôpital Raymond-Poincaré utilise la vision par ordinateur pour caractériser finement la motricité d’enfants polyhandicapés, avec la perspective de permettre aux parents de filmer leurs enfants à domicile pour un pré‑repérage assisté. Le projet AIDY à Necker-Enfants malades s’appuie, lui, sur des photographies cliniques pour améliorer le diagnostic du syndrome de Kabuki, à partir de 364 photos de 107 patients, en distinguant même différents types de mutations. Dans la paralysie cérébrale, le programme AI‑4‑CHILD, financé par l’ANR, vise un diagnostic plus précoce et une personnalisation de la rééducation grâce à l’analyse automatisée d’IRM statiques et dynamiques. Ces exemples illustrent une IA qui n’efface pas l’examen clinique mais en renforce l’objectivation, réduit l’errance diagnostique et ouvre la voie à des suivis à distance plus réactifs

    👉 Plus de détails sur «L’IA en pédiatrie : un inventaire des cas d’usage déployés en France – Health & tech».

    📌Radiologie et neurodéveloppement : l’IA compresse le temps diagnostique mais reste freinée en pédiatrie

    L’intelligence artificielle transforme simultanément la radiologie et le neurodéveloppement pédiatriques, en réduisant drastiquement les délais de diagnostic tout en se heurtant à des verrous réglementaires et d’équité. Les algorithmes d’âge osseux atteignent une marge d’erreur absolue moyenne autour de 0,49 année avec AZboneage, mieux qu’un radiologue généraliste (0,77 chez les garçons, 0,67 chez les filles), et des performances comparables à BoneView BoneAge, nettement supérieures à la méthode Tanner‑Whitehouse (2,86 années). ImageBiopsy PANDA génère un compte rendu en moins de cinq secondes au format DICOM, dans un flux « zero‑click », et Milvue rapporte +20% de sensibilité et −22% de temps diagnostique pour les fractures pédiatriques. Côté neurodéveloppement, Cognoa Canvas Dx affiche une valeur prédictive négative de 97% et positive de 95% pour l’autisme, avec un résultat pour 78% des enfants évalués, tandis qu’O‑Kidia propose une approche transdiagnostique en réseau de symptômes. La neurotélémetrie se structure avec Pose AI (282 301 minutes vidéo, 115 nouveau‑nés) et un « carnet de croissance cérébrale » EEG entraîné sur 2 000 enfants. Pourtant, un seul dispositif d’IA radiologique sur plus de 100 autorisés par la FDA est explicitement pédiatrique, et les biais de représentation comme les écarts de diagnostic autistique de 19 à 65% chez les enfants noirs et latino‑américains menacent de transformer ces outils en amplificateurs d’inégalités

    👉 Plus de détails sur « ».

    📌Écosystème pédiatrique français et IA : un maillage développer encore à synchroniser

    En neurodéveloppement, CMP, CHS et centres de référence TND travaillent avec les MECS, l’Inserm, l’IHU Imagine et Necker pour combiner expertise clinique, recherche et accompagnement social. En oncologie, l’alliance AP‑HP, Gustave Roussy, Institut Curie et Paris Kids Cancer, appuyée par l’INCa et des associations comme UNAPECLE ou Grandir Sans Cancer, illustre une organisation capable d’intégrer des innovations complexes tout en défendant l’équité d’accès. La néonatologie s’appuie sur la SFN, SOS Préma et l’AFM‑Téléthon, qui relient bonnes pratiques, soutien aux familles et recherche sur les maladies génétiques rares. Les maladies chroniques sont travaillées en réseau avec la Fondation des Hôpitaux (Pièces Jaunes) et l’AFPA, qui poussent les outils numériques en ambulatoire. En radiologie, Necker, Robert‑Debré et la chaire AI‑4‑Child d’IMT Atlantique animent une communauté très active sur l’IA. La SFP, PedStart, les syndicats (SNPF, SNPEH) et les associations de patients jouent enfin un rôle central pour diffuser les usages responsables, co‑concevoir les projets et former les professionnels, condition nécessaire pour que l’IA se traduise en bénéfices concrets pour tous les enfants.

    👉 Plus de détails sur « ».

  • Diabète, asthme, cancers : des pathologies pédiatriques en hausse, sur fond de pénurie de soignants

    • En 2024, 2 700 enfants de moins d’un an sont décédés en France, soit un taux de mortalité infantile de 4,1 décès pour 1 000 enfants.
    • ​Ce taux de mortalité infantile est supérieur à la moyenne de l’Union européenne, estimée à 3,3 décès pour 1 000 naissances vivantes. Entre 2011 et 2024, le taux de mortalité infantile en France est passé de 3,5 ‰ à 4,1 ‰, soit une hausse d’environ 17%.
    • Les enfants représentent environ 27% des passages aux urgences, soit plus de 5,5 millions d’entrées.
    • Les délais d’attente pour un avis spécialisé en pédiatrie ou pédopsychiatrie oscillent entre 6 et 18 mois
    • Environ 350 000 enfants sont inscrits dans le registre français des maladies rares, illustrant le poids des pathologies chroniques complexes en pédiatrie.
    • La France compte environ 8 500 pédiatres et se situe au 22ᵉ rang sur 31 pays de l’OCDE pour sa densité pédiatrique, avec un risque de dégradation lié aux départs à la retraite.
    • Le rapport des Assises de la pédiatrie propose 20 mesures et près de 400 recommandations sur cinq ans, incluant un renforcement des PMI, la création de 600 postes en pédopsychiatrie (CMP‑IJ) et une montée en puissance de la formation et de l’attractivité des carrières pédiatriques.

    27% des passages aux urgences

    En France, les données de la Drees, de Santé publique France et du registre national des cancers de l’enfant montrent une augmentation des pathologies chroniques, métaboliques et psychiques chez les moins de 18 ans, avec des inégalités sociales et des couvertures vaccinales encore hétérogènes.

    Maladies chroniques pédiatriques : asthme et diabète de type 1 en hausse continue

    Chaque année, environ 2 200 enfants de moins de 15 ans développent un diabète de type 1, avec une augmentation moyenne d’environ 4% par an depuis les années 2000. Le nombre de jeunes de moins de 20 ans vivant avec un diabète de type 1 dépasse 31 000 en 2023, ce qui renforce l’enjeu de dépistage précoce et de suivi structuré. L’asthme constitue la maladie chronique la plus fréquente chez les enfants en France, avec une prévalence d’environ 10 à 11% et une raison importante de l’absentéisme scolaire. Les hospitalisations pour asthme pédiatrique atteignent près de 40 000 séjours par an, avec une part importante de formes d’origine allergique et une exposition renforcée dans les régions d’outre‑mer et en Île‑de‑France. En France, les inégalités sociales marquent très tôt l’état nutritionnel des enfants, avec un risque de surpoids en grande section de maternelle deux fois plus élevé chez les enfants d’ouvriers que chez ceux de cadres.

    Cancers pédiatriques en France : 2 200 nouveaux cas annuels chez les 0‑17 ans

    Le cancer se classe au quatrième rang des causes de décès chez les enfants de 0 à 14 ans. Chaque année, le registre national des cancers de l’enfant recense environ 2 200 nouveaux cancers chez les enfants et adolescents, dont près de 1 843 cas chez les moins de 15 ans et environ 440 cas chez les 15‑17 ans. Chez les moins de 15 ans, les leucémies représentent environ 30% des cancers pédiatriques, avec une prédominance des leucémies aiguës lymphoblastiques. Les tumeurs du système nerveux central constituent près de 26% des cancers de l’enfant, tandis que les lymphomes comptent pour environ 10% des cas. Chez les adolescents de 15 à 17 ans, les localisations dominantes sont les lymphomes qui représentent près de 27% des cas, dont une forte proportion de maladies de Hodgkin, les tumeurs du système nerveux central pour environ 17% et les leucémies pour près de 14%. L’incidence des cancers pédiatriques reste globalement stable depuis 2000, avec un taux de survie globale à cinq ans estimé autour de 80 à 83% chez les enfants et proche de 82% chez les adolescents de 15 à 17 ans.

    Santé mentale : « Dans les années 1990, la pédopsychiatrie suivait 200 000 patients par an et aujourd’hui 800 000. » (Pr Guillaume Bronsard)

    Le mal‑être psychique des jeunes progresse en France en 2025, avec une hausse des épisodes anxiodépressifs, des passages aux urgences pour motif psychiatrique et une consommation de psychotropes, tandis que l’offre de pédopsychiatrie et de psychologues reste insuffisante malgré les réformes engagées en e‑santé et en organisation des soins. Les risques de troubles anxiodépressifs concernent près de 30 % des 11‑24 ans en 2024, ce qui confirme une tendance haussière depuis la crise sanitaire liée à la Covid‑19. Chez les 17 ans, la proportion de symptômes anxiodépressifs sévères est passée d’environ 4,5 % en 2017 à près de 9,5 % en 2022, ce qui traduit un quasi doublement en cinq ans.

    Sur 14 millions d’enfants et adolescents en France, 1,6 million souffrent de troubles psychiques, mais seulement la moitié reçoivent des soins​

    Les pensées suicidaires et tentatives de suicide progressent chez les jeunes adultes : une enquête citée à l’Assemblée nationale indique qu’en 2024, 23 % des jeunes déclarent avoir déjà eu des pensées suicidaires, soit près d’un sur quatre. La prévalence d’épisodes dépressifs chez les 18‑24 ans a augmenté d’environ 77 % entre 2017 et 2021, passant de 11,7 % à 20,8 %. Cette situation met en avant la nécessité de renforcer les dispositifs de prévention et des programmes de repérage précoce dans les établissements scolaires. « La psychiatrie, et la pédopsychiatrie en particulier, sont toujours en attente de moyens supplémentaires » (Pr Guillaume Bronsard).

    Couverture vaccinale : des écarts marqués selon le niveau de vie et la région

    Chez le nourrisson en France, la couverture vaccinale pour la primovaccination atteint environ 95% pour les vaccins contre la diphtérie, le tétanos, la poliomyélite, Haemophilus influenzae b, la coqueluche et le pneumocoque. Pour les enfants de 24 mois en 2018, la couverture avec deux doses du vaccin rougeole‑oreillons‑rubéole demeure autour de 83%, avec environ 90% de couverture pour l’hépatite B et 79% pour le méningocoque C. Le rapport de la Drees et les données nationales soulignent des écarts marqués de couverture vaccinale selon le niveau de vie et la région de résidence en France. Les personnes disposant d’un niveau de vie élevé sont environ 1,5 fois plus souvent vaccinées que les personnes à faibles revenus, y compris pour des vaccinations ciblées comme la grippe saisonnière chez les moins de 65 ans à risque, dont la couverture atteint seulement 39% contre environ 60% chez les 65 ans et plus.

    Alors que faire ? PMI renforcées , +2 550 ETP pour 2 150 médecins, 6 300 IPDE et 1 400 sages‑femmes (bilan des assises)

    Les Assises de la pédiatrie et de la santé de l’enfant ont été lancées fin 2022 par le ministère de la Santé dans un contexte de triple épidémie (bronchiolite, grippe, Covid‑19), de saturation des urgences pédiatriques et de montée des troubles psychiques chez les jeunes. Le rapport couvre la période de 0 à 18 ans et adopte une approche globale de la santé (somatique, mentale, sociale, environnementale), avec un cadre d’action limité volontairement à cinq ans afin de produire des transformations structurelles rapides. Dans le cadre de ces assises, le rapport « Investir dans la santé de l’enfant : une urgence nationale » propose une refondation quinquennale de la politique de santé, à partir de 20 mesures et près de 400 recommandations, après six mois de concertation nationale. Les pistes proposent de renforcer la filière de soins de l’enfant en valorisant les professionnels (notamment dans des maisons de santé pédiatriques), en développant l’exercice libéral des infirmières puéricultrices, en clarifiant les rôles entre généralistes et pédiatres de ville (pédiatre en recours pour enfants à risque), en améliorant la coopération ville‑hôpital et en révisant la nomenclature d’actes pédiatriques jugés sous‑tarifés.

    20 recommandations : 

    1. Créer un choc d’attractivité : revalorisation de toutes les prises en charge de l’enfant en ville comme à l’hôpital.
    2. Augmenter la quantité et la qualité du temps médical disponible : formation renforcée en santé de l’enfant, augmentation du numerus apertus, développement de la pratique avancée.
    3. Rendre lisible des parcours de soins gradués pour les parents et les professionnels : le bon médecin, au bon endroit, au bon moment.
    4. Améliorer l’accès aux soins non programmés et optimiser le recours aux services d’urgence : régulation téléphonique par des professionnels formés à la santé de l’enfant, participation élargie des praticiens libéraux à la continuité des soins et à la PDSA, renfort des équipes soignantes aux urgences pédiatriques au prorata de la lourdeur des soins, développement d’outils digitaux d’orientation et de conseil pour les parents.
    5. Protéger les enfants les plus jeunes et les plus vulnérables des épidémies hivernales par des campagnes de prévention nationales intégrant les mesures barrières, les vaccins (grippe, rotavirus…) et les anticorps monoclonaux anti‑VRS dès 2023.
    6. Sanctuariser le nombre de lits de réanimation pédiatrique et néonatale pour pouvoir faire face à une crise sanitaire (épidémie hivernale récurrente) sans perte de chance pour les enfants (déprogrammation chirurgicale ou médicale).
    7. Renforcer les équipes soignantes dans les services qui prennent en charge des enfants avec des besoins de soins renforcés.
    8. Enrichir les registres des naissances et des décès de données médico‑socio‑économiques et permettre les moyens de leur analyse pérennes.
    9. Transformer les PMI pour mailler le territoire de Maisons des 1000 jours et de l’enfant.
    10. Créer un nouveau Service de santé des élèves, qui mobilise tous les professionnels de santé du territoire sous la coordination du médecin scolaire, et dont l’objectif est le bien‑être des enfants et des adolescents.
    11. Créer un nouveau statut de médecin de fonction publique commun à la santé scolaire, aux Maisons des 1000 jours et de l’enfant, aux centres de santé publics et à l’hôpital, autorisant un exercice mixte et partagé.
    12. Instaurer « l’heure partagée » dans toutes les écoles élémentaires : sacraliser la dernière heure du vendredi pour la consacrer à un retour partagé entre les élèves sur le déroulement de la semaine sur les aspects non académiques (médiation et lutte contre le harcèlement scolaire).
    13. Créer un bilan de santé mentale à l’entrée au collège et revaloriser le forfait MonPsy.
    14. Renforcer les capacités en pédopsychiatrie : création de 600 postes en CMP‑IJ, renforcement de l’offre d’hospitalisation et de post‑urgence.
    15. Faire des écoles des « bulles vertes » pour les enfants : réduction des émissions de CO₂ aux abords des écoles, amélioration de la circulation et de la qualité de l’air dans les classes, zones « zéro tabac », mise à distance des zones d’épandage.
    16. Inscrire dans la loi l’interdiction des écrans avant 3 ans.
    17. Déployer le 1er Plan Sommeil.
    18. Une République, une santé : lutter contre les pertes de chance qui touchent les enfants ayant des besoins particuliers (maladies chroniques, précarité, handicap, maltraitances) et les enfants des Outre‑mer.
    19. Lancer des appels à projets récurrents fléchés dédiés à la santé de l’enfant et soutenir le développement de plateformes innovantes technologiques et thérapeutiques adaptées aux spécificités de l’enfant, en créant notamment des plateformes de thérapies géniques.
    20. Instaurer une Conférence nationale de la santé de l’enfant (CNSE), réunie tous les 2 ans sous l’autorité du Président de la République.

    Assises : malgré un bon accueil, un après en demi-teinte

    10 000 soignants et le SNPF dénoncent l’absence de « vrai plan » après les Assises

    Dans une Tribune publiée au Monde les auteurs – composés de médecin et de pédiatres – rappellent qu’un an plus tôt, 10 000 soignants avaient déjà interpellé Emmanuel Macron face à la saturation des urgences, aux transferts de nourrissons sur de longues distances et à la pénurie de soignants en ville et à l’hôpital. Ils évoquent 1 200 décès considérés comme évitables, et une situation présentée comme un indicateur de dégradation conjointe des conditions de vie, du système de soins et de la prise en charge sociale et psychologique. « La première urgence est de remédier à la pénurie croissante de soignants de l’enfant » titrait la tribune.

    Les pédiatres libéraux dénoncent une réforme incomplète

    Un communiqué du Syndicat national des pédiatres français (SNPF) critique fortement les suites des Assises de la pédiatrie et de la santé de l’enfant, jugées dépourvues de « vrai plan de santé pour l’enfant ». Le syndicat dénonce l’« invisibilité » de la pédiatrie libérale dans les mesures annoncées : aucune réflexion sur la place du pédiatre de ville ni sur le parcours de soins ambulatoire, alors que les annonces se concentrent sur d’autres acteurs et dispositifs. Le rapport souligne l’objectif gouvernemental d’atteindre 600 pédiatres en formation par an d’ici 2030, chiffre que le SNPF dit réclamer depuis vingt ans, et estime que cet objectif est désormais insuffisant sans un doublement ou triplement des promotions, en parallèle d’une vraie politique de formation des généralistes à la santé de l’enfant. Le syndicat craint que ces nouveaux pédiatres restent surtout à l’hôpital, au détriment des hôpitaux généraux et de la pédiatrie de ville, et décrit un risque de déséquilibre au profit des surspécialités pédiatriques au détriment de la pédiatrie générale, pourtant jugée indispensable en ville et dans les hôpitaux généraux.

    Le communiqué critique aussi l’absence de mesures d’attractivité pour la pédiatrie libérale : la convention n’apporte aucune revalorisation pour les enfants de plus de 2 ans, ce qui entretient la faible reconnaissance du rôle du pédiatre libéral par les tutelles et fragilise l’avenir du métier. Les auteurs s’inquiètent en parallèle de la promotion de l’accès direct aux orthophonistes : compte tenu de délais déjà estimés à 6 à 12 mois pour un enfant pourtant déjà évalué par un pédiatre, ils redoutent une aggravation des délais et une perte d’une année scolaire pour de nombreux enfants.

     

  • L’IA en pédiatrie : un inventaire des cas d’usage déployés en France

    La détection précoce et le diagnostic : le cœur des usages actuels

    C’est dans la détection et le diagnostic que l’IA est aujourd’hui la plus visible en pédiatrie. L’objectif est toujours le même : repérer plus tôt, objectiver mieux et réduire l’errance diagnostique, en particulier pour des pathologies rares ou complexes.

    En néonatalogie, le projet NewBorn NeuroDigital, déployé à l’hôpital Armand-Trousseau (AP-HP), s’attaque à une situation d’urgence absolue : l’asphyxie périnatale. L’IA synthétise automatiquement les enregistrements EEG réalisés dans les six heures suivant la naissance pour aider les réanimateurs à décider de la mise en hypothermie thérapeutique. L’outil s’appuie sur une étude rétrospective portant sur 104 nouveau-nés, suivis entre 2005 et 2020, et permet à la fois de gagner du temps et d’homogénéiser la qualité de la décision, y compris lorsque l’expertise en neurophysiologie est limitée.

    Toujours dans les tout premiers jours de vie, le projet AGMA-PESS du CHU de Saint-Étienne automatise l’analyse des mouvements spontanés des prématurés. L’IA détecte les points clés du corps du nourrisson, sélectionne les séquences vidéo les plus riches en informations et aide les experts à repérer les anomalies motrices précoces. Ce cas d’usage illustre une IA qui ne remplace pas l’examen clinique, mais lui fournit une mesure objective et reproductible, essentielle pour déclencher des interventions précoces.

    La même logique se retrouve plus tard dans le parcours, avec les travaux de l’unité R2P2 à l’hôpital Raymond-Poincaré : l’analyse vidéo et la vision par ordinateur sont mobilisées pour caractériser la motricité des enfants atteints de maladies neuromusculaires ou de polyhandicap. À terme, les parents pourraient filmer leur enfant à domicile sur un fond uni, et l’IA aiderait à repérer des anomalies motrices subtiles, orientant plus vite vers une consultation spécialisée.

    Dans le champ des maladies rares, le projet AIDY à Necker-Enfants malades (AP-HP) s’appuie sur l’IA appliquée à des photographies cliniques pour améliorer le diagnostic du syndrome Kabuki, une affection génétique très rare. En analysant 364 photos de 107 patients, l’algorithme apprend à détecter automatiquement ce syndrome à partir des traits du visage et même à distinguer différents types de mutations causales. Ici, l’IA devient un outil clé pour réduire l’errance diagnostique et permettre un accompagnement plus précoce des enfants.

    L’IA s’invite aussi dans la neuroréhabilitation avec le projet AI-4-CHILD, financé par l’ANR, dédié à la paralysie cérébrale, déficience motrice la plus fréquente chez l’enfant (2,1 cas pour 1 000 naissances, soit environ 125 000 personnes en France). Ce programme, porté par l’IMT Atlantique et le CHRU de Brest, développe des méthodes d’analyse d’images IRM pour un diagnostic plus précoce ainsi que des séquences d’IRM dynamiques permettant de suivre les mouvements de l’enfant et d’optimiser la rééducation de la marche. L’IA est utilisée à la fois pour reconstruire des images haute résolution et pour extraire des paramètres biomécaniques, transformant l’IRM en véritable outil de suivi fonctionnel.

    Enfin, la pédopsychiatrie commence elle aussi à se doter d’outils d’IA. L’application ESRA, développée par la Hamad Bin Khalifa University, analyse les dessins d’enfants de 5 à 10 ans et, grâce à un modèle DenseNet, atteint 84 % de précision pour l’évaluation émotionnelle. Loin de remplacer le pédopsychiatre, cet outil constitue un indicateur de dépistage standardisé des troubles psychologiques ou du stress.

    Imagerie pédiatrique : standardiser, réduire les doses et objectiver la croissance

    La radiologie pédiatrique est l’un des terrains les plus avancés en matière d’IA.

    Sur le versant de la croissance, plusieurs solutions – PANDA (ImageBiopsy Lab), TechCare Kids (Milvue) et BoneAge (Gleamer) – automatisent l’évaluation de l’âge osseux à partir des radiographies de la main, en s’appuyant sur la méthode de Greulich et Pyle. Utilisées notamment au CHU de Lille, elles génèrent des rapports structurés directement dans les environnements habituels des radiologues. L’intérêt est double : standardiser une mesure clé pour le diagnostic des troubles endocriniens et libérer du temps médical sur une tâche répétitive.

    Sur le plan de l’imagerie en coupes, des outils comme myExam Companion (Siemens Healthineers), déployé à la Fondation Lenval, adaptent en temps réel les paramètres du scanner aux caractéristiques de l’enfant et améliorent le centrage grâce à une caméra 3D. L’IA permet de réduire significativement la dose de rayonnement tout en maintenant une qualité d’image satisfaisante, un enjeu majeur pour des patients particulièrement sensibles à l’irradiation.

    L’imagerie devient ainsi un terrain de jeu privilégié pour l’IA en pédiatrie : mieux voir, avec moins de rayons, et interpréter plus vite des volumes de données de plus en plus importants.

    Rationaliser les urgences et la régulation : l’IA comme copilote de triage

    Les urgences pédiatriques et la régulation téléphonique sont confrontées à un afflux de demandes, avec une obligation de prioriser.

    Un premier cas d’usage vient du SAMU pédiatrique : dans le cadre d’un enseignement dédié à l’IA pour l’aide à la décision clinique à Université Paris Cité, des étudiants de 4ᵉ année de médecine ont conçu un prototype d’outil de régulation pour le SAMU pédiatrique. L’application vise à prioriser le degré d’urgence, proposer des recommandations et offrir une interface ergonomique aux médecins régulateurs. Le projet a donné lieu à deux articles indexés sur PubMed et à plusieurs présentations en congrès. Une nouvelle phase est en préparation, intégrant cette fois du machine learning à partir des données générées par l’outil pour repérer automatiquement les situations les plus critiques.

    Aux urgences pédiatriques, une étude publiée dans JAMA Network Open décrit un modèle de machine learning entraîné sur les données de 77 219 patients âgés de 0 à 18 ans dans un hôpital tertiaire de Toronto. L’algorithme prédit, dès l’arrivée du patient, la probabilité de réaliser certains examens (analyse d’urine, ECG, échographies, radiographie de l’avant-bras, etc.), et permet de préordonner les examens d’imagerie avant même l’évaluation médicale complète. Résultat : un gain de temps dans le parcours et une rationalisation des ressources en imagerie.

    En complément, en ville, la solution CareCall propose un assistant conversationnel dédié aux cabinets et centres de santé pédiatriques. Il prend en charge les appels entrants, détecte les situations urgentes selon des critères pédiatriques, oriente vers la bonne ressource, gère les rendez-vous et soulage les secrétariats. Là encore, l’IA est utilisée comme filtre intelligent pour absorber la charge, sans renoncer à la sécurité.

    Personnaliser et sécuriser les traitements : de l’oncologie à l’épilepsie

    En oncologie pédiatrique, l’IA est mise au service de décisions thérapeutiques particulièrement délicates.

    Le programme DOSELIA, piloté par Gustave Roussy, modélise les doses reçues par les enfants lors de la radiothérapie, y compris les expositions indirectes liées aux actes d’imagerie. En s’appuyant sur le registre HARMONIC-Radiotherapy, l’IA aide à prédire les risques à long terme, comme l’apparition de cancers secondaires, et à ajuster les protocoles pour optimiser le rapport bénéfices/risques.

    Le modèle PACpAInt (Owkin), utilisé notamment à la Pitié-Salpêtrière, s’intéresse à l’hétérogénéité moléculaire des tumeurs en combinant images histologiques et données transcriptomiques. Il permet d’identifier des sous-types tumoraux et des niveaux d’activité stromale afin de stratifier finement les patients et de guider le choix thérapeutique. Même si ce modèle n’est pas exclusivement pédiatrique, il ouvre la voie à une oncologie de précision applicable aux cancers de l’enfant.

    Au-delà du choix du traitement, la sécurisation des thérapeutiques est un autre terrain clé. La solution DrugCam (Eurekam) surveille en temps réel la préparation des chimiothérapies grâce à une caméra intelligente et des algorithmes de reconnaissance visuelle. Utilisée depuis plus de dix ans au CH de La Rochelle et désormais dans plus de 100 établissements, elle a permis d’intercepter plus de 500 erreurs graves potentielles sur 313 000 scénarios de préparation. Pour la pédiatrie, où les marges de dose sont particulièrement étroites, cette IA joue un rôle de filet de sécurité majeur.

    Dans le champ de l’épilepsie infantile, l’hôpital Necker-Enfants malades a mobilisé la suite codoc (dérivée de l’outil Dr Warehouse) pour accélérer une étude rétrospective sur le syndrome de West. Grâce à l’entrepôt de données de santé et aux outils d’exploration, les équipes ont pu constituer rapidement une cohorte de patients et évaluer l’efficacité d’un algorithme de traitement séquentiel (Vigabatrin puis stéroïdes). Ce cas d’usage illustre une IA moins visible pour le patient, mais essentielle pour tester, comparer et ajuster les stratégies thérapeutiques à partir des données réelles de l’hôpital.

    Maladies chroniques et éducation thérapeutique : une IA plus ludique et relationnelle

    Les maladies chroniques de l’enfant – en particulier le diabète de type 1 – commencent elles aussi à bénéficier de cas d’usage d’IA, souvent orientés vers l’éducation thérapeutique.

    Un exemple emblématique est celui du jeu sérieux T1D Learning Camp, développé à Harvard et présenté dans le blog de Linkidoc. Ce jeu vidéo intègre une IA générative pour permettre aux enfants d’avoir de véritables conversations avec des personnages virtuels autour de leur diabète : alimentation, glycémie, gestion du quotidien. Après une phase pré-programmée où l’enfant apprend un concept (par exemple la différence entre aliments à pic glycémique rapide ou lent), des dialogues générés par l’IA viennent tester sa compréhension et relier ce savoir à sa vie de tous les jours.

    Le jeu repose sur la reconnaissance vocale et la synthèse de la parole, ce qui le rend accessible aux plus jeunes qui ne savent ni lire ni écrire. Il est aussi capable de s’adapter culturellement, en générant des images d’aliments correspondant aux habitudes et aux cuisines locales. Ce cas d’usage montre comment l’IA peut transformer l’éducation thérapeutique en expérience ludique, personnalisée et inclusive, en particulier pour des enfants confrontés à une pathologie chronique à vie.

    Dans une autre dimension de la chronicité, la plateforme AIConnectsCare propose un suivi connecté des bébés prématurés et des patients nécessitant des soins de longue durée. Les familles peuvent suivre l’état de santé en temps réel, interagir avec les équipes médicales et mieux comprendre l’évolution. L’IA y est utilisée pour organiser l’information, faciliter la communication et réduire l’anxiété, en particulier dans les parcours longs et complexes.

    Valoriser les données pédiatriques rares : plateformes et entrepôts augmentés

    Enfin, plusieurs cas d’usage se situent au niveau de l’infrastructure de données, indispensable pour faire progresser la recherche pédiatrique.

    Le projet Share4Kids, porté par le Centre Léon Bérard, vise à centraliser les données sur les cancers de l’enfant dans une plateforme bioinformatique dédiée. L’IA est utilisée pour analyser ces données rares et soutenir la recherche, en permettant d’atteindre une masse critique sur des pathologies peu fréquentes.

    À Necker et à l’Institut Imagine, l’outil Dr Warehouse devenu la suite codoc illustre une autre facette de ces plateformes : en facilitant l’exploration de l’entrepôt de données de santé, il permet aux cliniciens de constituer des cohortes, lancer des études rétrospectives et tester des hypothèses à partir des données de soin. Ces briques d’IA ne sont pas directement visibles par les patients, mais elles conditionnent la capacité des équipes à concevoir des cas d’usage cliniques robustes.

    Vers une pédiatrie plus anticipatrice, personnalisée et connectée

    Pris ensemble, ces cas d’usage dessinent une trajectoire claire : l’IA en pédiatrie se concentre aujourd’hui sur trois grands rôles – mieux détecter, mieux décider, mieux accompagner – avec une forte implantation dans les CHU et hôpitaux spécialisés.

    Les domaines les plus couverts sont la néonatalogie, l’oncologie, la radiologie et les maladies rares, tandis que l’asthme, l’obésité ou les troubles des apprentissages restent encore peu outillés. Mais les premiers signaux sont là : de la régulation au SAMU pédiatrique aux jeux vidéo éducatifs pour le diabète, l’IA commence à s’inscrire dans le quotidien des enfants et de leurs familles.

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • « Il faut être capable de montrer aux parents : voilà votre enfant, voilà l’anomalie, voilà ce qu’on va faire… il y a là un vrai enjeu » Jean-Baptiste Masson (Decision and Bayesian Computation lab)

    Pour approfondir son étude sur l’Intelligence Artificielle (IA) en pédiatrie les équipes d’H&TI se sont entretenues avec Jean-Baptiste Masson, physicien théoricien et investigateur principal du laboratoire Decision and Bayesian Computation (DBC) – Epiméthée (EPI) situé à l’Institut Pasteur, et à L’INRIA afin d’appréhender concrètement les défis organisationnels, humains, réglementaires et technologiques, tout en illustrant par de nombreux exemples les réalités du terrain.

    La pédiatrie, une discipline aux enjeux spécifiques

    L’intégration de l’intelligence artificielle en pédiatrie se heurte à des caractéristiques propres à la discipline. Les enfants possèdent un corps et un cerveau en développement, une capacité de verbalisation contextuelle et un environnement familial essentiel au processus de soin. Ces éléments complexifient la collecte, l’interprétation et la structuration des données nécessaires aux modèles d’IA. L’accès aux données est déjà une difficulté importante en médecine adulte, mais il devient encore plus délicat lorsqu’il s’agit de mineurs. Egalement le corps de l’enfant évoluant rapidement, les images diffèrent considérablement d’une année à l’autre, rendant difficile toute approche basée sur l’alignement temporel ou la comparaison directe. Cette variabilité crée des défis techniques pour le machine learning, dont les performances dépendent en grande partie de la stabilité et de l’homogénéité des données. L’IA pourrait néanmoins bénéficier de cette diversité, notamment dans le cadre de modèles dits « fondationnels » capables d’extraire des structures à partir de données non organisées. Cependant, ces approches nécessitent des bases de données massives qui n’existent pas encore en pédiatrie.

    Une hétérogénéité des données particulièrement marquée

    L’une des principales difficultés pour la pédiatrie concerne la gestion de l’hétérogénéité des données médicales, contrairement à d’autres secteurs où l’IA prospère grâce à des volumes massifs de données standardisées, la médecine, particulièrement la médecine pédiatrique, génère des données fragmentaires, prises souvent dans des contextes de maladie plutôt qu’au long cours, et rarement harmonisées. Jean-Baptiste Masson résume ce problème : « Un corps humain c’est compliqué […] il y a énormément de variables cachées », ces variables invisibles, non mesurées mais influençant pourtant les phénomènes biologiques, compliquent fortement la modélisation.

    Dans le cas des enfants, les variations liées à la croissance ajoutent une dimension temporelle particulièrement complexe. Les tentatives visant à fusionner deux images prises à plusieurs années d’écart illustrent cette difficulté : l’enfant n’a plus la même taille, les structures anatomiques ont bougé, les proportions ont évolué. Les outils de vision artificielle doivent donc gérer des transformations non linéaires et des structures organiques en évolution rapide, ce qui dépasse les capacités actuelles des algorithmes classiques. Par ailleurs, le manque de bases de données pédiatriques de grande ampleur empêche la mise en place de modèles robustes et généralistes. Contrairement aux corpus textuels utilisés pour entraîner les grands modèles de langage, les données d’imagerie pédiatrique ne peuvent être collectées massivement pour des raisons réglementaires, éthiques et pratiques. De ce fait, l’IA peine à atteindre des performances équivalentes à celles observées dans d’autres domaines. Néanmoins, certains modèles fondés sur la diversité plutôt que sur l’uniformité pourraient tirer parti de ces variations. Ce potentiel reste toutefois théorique tant que les infrastructures nécessaires à la collecte, l’annotation et la mutualisation des données ne sont pas mises en place. En résumé, l’hétérogénéité n’est pas seulement un obstacle technique, mais un défi structurel inhérent à la nature même de ma médecine et encore plus de la pédiatrie.

    La relation tripartite enfant-parents-médecin comme cadre incontournable

    L’IA en pédiatrie doit composer avec une réalité propre à la discipline : l’enfant n’est pas l’unique interlocuteur. Son état de santé, son ressenti, ses symptômes et sa compréhension sont inévitablement médiés par les parents. Cette situation influence directement les usages possibles de l’IA. Les médecins doivent non seulement interpréter les données cliniques, mais aussi les discours parentaux, les observations subjectives et les représentations parfois imprécises de la maladie. Jean-Baptiste Masson le rappelle explicitement : « La vraie personne avec qui on interagit, ce sont les parents ». Cette médiation modifie le type d’outils numériques pertinents. Les systèmes destinés à accompagner une décision médicale ou à expliquer une procédure doivent intégrer des contenus adaptés à un public adulte non spécialiste plutôt qu’à l’enfant lui-même. De plus, certaines interventions médicales, comme la chirurgie, nécessitent des décisions parentales difficiles. L’anxiété, l’incompréhension ou la peur peuvent influencer leurs choix. L’IA pourrait alors jouer un rôle dans la communication médicale, en facilitant la visualisation d’images ou en rendant les explications plus accessibles. L’entretien évoque l’exemple d’Avatar Medical, une start-up développant des outils de visualisation 3D permettant aux patients de mieux comprendre les images IRM ou les anomalies présentées. Cette capacité à traduire des données complexes en représentations intelligibles pourrait s’avérer particulièrement utile en pédiatrie, où la charge émotionnelle liée à une décision médicale est accrue. Toutefois, l’IA ne résout pas la complexité humaine de cette relation tripartite ; elle peut au mieux outiller la communication ou faciliter l’accès aux informations.

    L’impact de la dimension émotionnelle dans les parcours de soins

    L’entretien souligne l’importance de la dimension émotionnelle dans les situations pédiatriques, en particulier lorsqu’il s’agit d’opérations ou de diagnostics complexes. Le stress parental, déjà élevé en temps normal, s’intensifie lorsque des interventions sont envisagées, notamment en période de grossesse ou juste après la naissance. Le chercheur à l’Institut Pasteur évoque cette réalité en ces termes : « Être capable de montrer aux parents : voilà votre enfant, voilà l’anomalie, voilà ce qu’on va faire… il y a là un vrai enjeu ». L’IA apparaît dès lors comme un outil potentiel d’accompagnement psychologique et pédagogique. La possibilité de visualiser une anomalie, de comprendre un geste chirurgical ou de mieux appréhender les risques contribue à réduire l’angoisse parentale et à restaurer un sentiment de maîtrise. Dans certaines institutions d’excellence comme Necker, la collaboration entre chercheurs, ingénieurs et cliniciens vise précisément à créer des outils permettant de traduire la complexité médicale en formats compréhensibles. Cette approche s’avère particulièrement pertinente pour les diagnostics prénataux, où les informations sont nombreuses, techniques et souvent angoissantes pour les familles. Le stress n’est pas uniquement un phénomène émotionnel : il influence la capacité à comprendre, mémoriser et décider, ce qui conditionne la qualité du consentement. L’IA ne remplace pas le contact humain, mais elle peut structurer le dialogue, clarifier l’information ou proposer des supports adaptés. Cependant, cette dimension nécessite une grande prudence : une représentation trop simplifiée peut être trompeuse, tandis qu’une image trop réaliste peut être anxiogène. L’équilibre entre transparence et accompagnement constitue donc un défi majeur pour la conception de ces outils. Dans ce contexte, l’IA se positionne non pas comme une technologie autonome mais comme un facilitateur de communication dans un cadre familial déjà complexe.

    Les limites du prédictif

    Sur la question du pouvoir prédictif de l’IA le directeur de laboratoire se montre sceptique : en s’appuyant sur des principes mathématiques issus notamment des travaux de Poincaré, il rappelle que même un système physique simple devient imprévisible au-delà d’un certain horizon temporel, même lorsqu’on en connaît parfaitement l’état initial. L’idée qu’un organisme humain, infiniment plus complexe, doté de millions de variables inconnues et d’interactions multiples, puisse être prédit à long terme relève donc de la surinterprétation technologique. Ainsi, selon l’interviewé, si les jumeaux numériques fonctionnent très bien dans l’industrie, où les composants et interactions sont parfaitement définis, cela est beaucoup plus difficile lorsqu’il s’agit du vivant, où les informations manquantes sont trop nombreuses pour établir une simulation cohérente. Selon le chercheur, même une multiplication des données ne résoudra jamais complètement ce problème, car la prédiction individuelle demeureera toujours limitée par l’existence d’états biologiques cachés. Cette mise au point n’exclut pas que certains éléments deviennent prévisibles à court terme ou dans des contextes spécifiques. Il s’agit plutôt d’un appel à la prudence, rappelant que l’augmentation des données ne permet pas mécaniquement d’améliorer les modèles. Les usages les plus pertinents se situeront du côté de la détection de signaux faibles, de l’aide à la décision ou de l’accompagnement, et non dans l’oracle clinique annoncé par certains discours médiatiques.

    L’aide à la décision : un champ plus réaliste

    Si la prédiction fait face à des problématiques physique importantes, l’aide à la décision apparaît comme un domaine beaucoup plus réaliste et porte déjà des résultats concrets. L’exemple de Sonio, start-up issue des travaux de Stéphanie Allassonnière, illustre cette dynamique. Le système repose sur l’encodage structuré du raisonnement médical, plutôt que sur la simple ingestion massive de données. Ce type d’outil n’a pas vocation à remplacer les experts de centres de référence comme Necker, mais à accompagner les professionnels des maternités de niveau 1, moins expérimentés et moins exposés à des cas complexes. En proposant des questions ciblées (« avez-vous vérifié ceci ? », « souhaitez-vous examiner cela ? »), l’IA guide le praticien dans un raisonnement clinique structuré, réduisant le risque d’oublis ou d’erreurs. Cette approche est particulièrement adaptée à la pédiatrie et au diagnostic prénatal, où la variabilité anatomique et les marges d’incertitude sont élevées. Contrairement aux grands modèles généralistes, ces systèmes n’ont pas besoin de données massives ; ils s’appuient sur une modélisation experte du domaine. Cette distinction est essentielle : elle trace une ligne claire entre les visions spéculatives et les applications déjà fonctionnelles. L’aide à la décision pourrait donc devenir l’un des principaux usages de l’IA en pédiatrie, notamment dans les contextes où les ressources médicales sont limitées. Elle permet d’harmoniser les pratiques, d’élever le niveau global de prise en charge et de diffuser une expertise distribuée. En revanche, elle ne remplace pas la compétence clinique ; elle la structure et la prolonge. La pédiatrie pourrait ainsi bénéficier d’outils conçus non pour prédire mais pour accompagner, dans une logique pragmatique et fondée sur les connaissances existantes.

    Des dynamiques économiques et réglementaires déterminantes

    L’entretien insiste sur l’importance des cadres économiques et réglementaires. Le déploiement d’un outil médical ne dépend pas seulement de ses performances techniques : il doit s’intégrer dans un système hospitalier, être compatible avec les obligations légales, trouver un modèle économique viable et prouver son utilité à long terme. C’est notamment pour cette raison que les entreprises ont progressivement renoncé au diagnostic automatisé pour se repositionner sur l’accompagnement, un domaine moins exposé juridiquement et plus acceptable pour les régulateurs. La dynamique économique influence également la capacité des start-up à survivre. Les hôpitaux européens achètent peu de solutions nouvelles, ce qui pousse les entreprises à se tourner vers les États-Unis pour trouver des clients. Cette réalité crée un paradoxe : l’Europe finance largement l’innovation, mais n’achète pas les produits issus de cette innovation. Ce déséquilibre ralentit l’adoption des outils IA dans les hôpitaux français, malgré leur potentiel.

    Une adoption encore très limitée

    L’entretien se conclut par une observation claire concernant l’adoption de l’IA en pédiatrie en France en 2025 : elle reste marginale. Les pédiatres hospitalo-universitaires disposent déjà d’un haut niveau d’expertise, et peu de solutions disponibles aujourd’hui apportent une réelle valeur ajoutée clinique. De plus, la pédiatrie représente un segment perçu comme plus risqué pour les entreprises, en raison des enjeux éthiques et juridiques liés aux enfants. Les développements les plus sensibles — tels que l’analyse d’images fœtales ou d’IRM cérébrales prénatales — sont réalisés dans des cadres de recherche plutôt que dans des produits commerciaux. L’adoption future dépendra de multiples facteurs : maturation réglementaire, création de modèles économiques adaptés, développement d’outils réellement utiles au quotidien, acceptabilité culturelle des assistants numériques et capacité des systèmes hospitaliers à intégrer ces innovations. Pour l’heure, la pédiatrie demeure un domaine où l’IA progresse, mais lentement, et principalement dans des usages techniques ou de communication. Les applications cliniques sensibles, elles, nécessiteront davantage de temps, de données et d’expérimentations avant de trouver leur place dans la pratique courante.