Articles

  • Etude : les chatbots enfreignent les règles éthiques en santé mentale

    ChatGPT et TCC : des écarts aux normes professionnelles

    Des chercheurs américains révèlent que les chatbots, comme ChatGPT, enfreignent des normes éthiques majeures en santé mentale. Ils appellent à l’instauration de régulations pour encadrer leur utilisation. Leur étude* a été présentée lors de la conférence co-organisée par l’AAAI (Association for the Advancement of Artificial Intelligence) et par l’ACM (Association for Computing Machinery), sur l’intelligence artificielle, l’éthique et la société, le 22 octobre 2025.

    Quand les TCC sont guidées par IA Avec la pénurie de professionnels en santé mentale, de plus en plus de personnes se tournent vers des chatbots d’IA pour obtenir un soutien psychologique. Toutefois, cette tendance soulève des préoccupations éthiques importantes. L’étude de l’Université Brown analyse les risques liés à l’utilisation de ces technologies et leur capacité à respecter les normes professionnelles dans le cadre de soins psychologiques. Les chercheurs ont examiné les interactions entre des pairs aidants, des individus formés pour soutenir psychologiquement leurs pairs, et des chatbots d’IA comme GPT-4, Claude et Llama. Ces pairs aidants, formés à la thérapie cognitivo-comportementale (TCC), ont utilisé ces chatbots pour soutenir des utilisateurs confrontés à des problématiques de santé mentale. Les échanges ont ensuite été évalués par des psychologues cliniciens pour identifier les violations éthiques.

    Résultats : 15 risques éthiques regroupés en 5 catégories

    • Une adaptation contextuelle insuffisante : Les chatbots offrent des recommandations trop standardisées et génériques, sans prendre en compte les spécificités de chaque utilisateur. Par exemple, un chatbot a suggéré une approche commune de gestion du stress sans tenir compte des circonstances particulières d’un utilisateur en situation de crise. Ce manque d’adaptation va à l’encontre des normes professionnelles qui exigent des soins personnalisés.
    • Une collaboration thérapeutique déficiente : Les chatbots prennent souvent trop de place dans la conversation, au détriment d’une véritable collaboration avec l’utilisateur. Par exemple, dans une interaction, un chatbot a imposé un programme de TCC sans considérer l’acceptation ou les préférences de l’utilisateur, ce qui va à l’encontre des principes de respect et d’écoute active des thérapeutes.
    •  Une empathie trompeuse : Les chatbots emploient des phrases telles que « Je vous comprends » ou « Je suis là pour vous », créant une illusion d’empathie sans véritable connexion émotionnelle. Cette approche enfreint les normes de l’American Psychological Association (APA), qui soulignent l’importance d’une relation authentique entre thérapeute et patient.
    • Une discrimination injuste : Les chatbots ont montré des biais dans leurs réponses en fonction du genre, de la culture ou de la religion. Par exemple, un chatbot a fourni des conseils inappropriés à un utilisateur d’une communauté spécifique, démontrant un manque de sensibilité culturelle. Ce manquement va à l’encontre des standards de non-discrimination en psychologie.
    • Une gestion de crise insuffisante : Face à des situations de crise, telles que des idées suicidaires, les chatbots ont échoué à orienter correctement les utilisateurs vers des ressources appropriées. Dans un cas, un chatbot a fourni une réponse insuffisante à un utilisateur exprimant des pensées suicidaires, ce qui va à l’encontre des normes de sécurité et de traitement d’urgence en santé mentale.

    Un vide réglementaire préoccupant

    « Bien que les professionnels de santé puissent eux-mêmes faire face à des risques éthiques, les chatbots d’IA ne sont pas soumis aux mêmes mécanismes de responsabilité professionnelle, ce qui accentue le danger pour les utilisateurs vulnérables », explique l’un des auteurs de l’étude, le Dr John Smith, psychologue clinicien à l’Université Brown.

    Le besoin de « protocoles éthiques solides » Les chercheurs appellent à l’instauration de régulations claires pour encadrer l’usage des chatbots en santé mentale. « Il est crucial d’établir des protocoles éthiques solides pour protéger les utilisateurs et garantir une qualité de soins équivalente à celle des psychothérapies humaines », souligne le Dr Sarah Johnson, co-auteur de l’étude. Selon les chercheurs, un dialogue urgent doit être engagé entre les professionnels de santé, les régulateurs et les développeurs de ces technologies afin de définir de telles normes de sécurité et de responsabilité.

    * How LLM Counselors Violate Ethical Standards in Mental Health Practice: A Practitioner-Informed Framework

    Iftikhar, Z., Xiao, A., Ransom, S., Huang, J., & Suresh, H.

    Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 8(2), 1311-1323.

    https://ojs.aaai.org/index.php/AIES/article/view/36632

     

  • Un collectif indien propose un cadre pour l’intégration de l’IA générative en santé

    30 à 40 % des essais cliniques en Asie manquent de données locales

    L’Asie, qui regroupe 60 % de la population mondiale, présente de fortes disparités sanitaires. Selon l’OMS, les maladies cardiovasculaires et les cancers représentent 50 % de la mortalité régionale. Les outils de diagnostic classiques, coûteux et peu adaptés aux besoins locaux, freinent la médecine de précision :

    • 1,3 milliard de patients sans accès complet à l’imagerie numérique.
    • 30–40 % des essais cliniques manquent de données locales.
    • +25 % de délai moyen de diagnostic par rapport aux standards OCDE.

    GAN et VAE au service de l’IA médicale en Asie

    Des chercheurs indiens indépendants, experts en gestion des risques et en santé numérique, ont conçu un cadre de déploiement de l’IA générative dans les systèmes hospitaliers asiatiques. Leur approche combine :

    • Un réseau antagoniste génératif (GAN) pour créer des images médicales synthétiques.
    • Un autoencodeur variationnel (VAE) pour générer des données réalistes et détecter les anomalies.

    Ces outils réduisent la dépendance aux données réelles des patients et soutiennent le développement d’algorithmes fiables et éthiques.

    Modèles IA légers : –40 % de coûts de calcul

    Leur étude promeut une IA économe en ressources pour réduire la consommation énergétique et favoriser la réutilisation d’infrastructures existantes. Les chercheurs privilégient des modèles légers entraînés sur données synthétiques, la mutualisation de serveurs entre hôpitaux et des clouds régionaux à faible intensité carbone.

    • – 30 % de consommation CPU par modèle d’IA.
    •  – 40 % de coûts de calcul.
    • 1 cadre “low-data AI” pour réutiliser les modèles existants.

    Des performances cliniques prometteuses

    La revue documentaire publiée en octobre 2025 dans Generative AI Framework for Asian Healthcare Organizations (Wiley) rapporte :

    • AUC moyenne : 0,93 pour la détection de tumeurs pulmonaires,témoignant d’une excellente capacité de discrimination diagnostique entre images saines et pathologiques.
    • Sensibilité : 91 % et une  spécificité : 88 % en imagerie rétinienne.

    Les chercheurs appellent à des politiques de gouvernance des données et à la création de laboratoires régionaux d’IA médicale, estimant que l’Asie pourrait devenir un pôle majeur de l’IA clinique d’ici 2030.

     

  • DGOS : lancement de la troisième édition de l’AAP « DAtAE » pour la recherche par l’exploitation des EDSH (16/01/2026)

    Un AAP qui s’inscrit dans la stratégie nationale des données de santé

    Après deux premières éditions qui ont récompensé 30 projets – dont 14 portés par l’AP-HP -, l’AAP “DAtAE” pour la recherche par l’exploitation des EDSH est de retour pour une deuxième édition, toujours lancé par la DGOS et opéré par le Health data hub (HDH), qui pilote le processus de sélection des lauréats et assure leur suivi opérationnel aux différentes étapes clés, de l’instruction réglementaire jusqu’à la valorisation des résultats.

    Cet AAP s’inscrit dans le sillage des recommandations du rapport de Jérôme Marchand-Arvier de décembre 2023, qui ont été reprises dans la stratégie nationale de l’usage secondaire des données de santé parue le 1er juillet 2025, et qui soulignent l’importance de tirer parti des données de santé françaises et plus particulièrement des données contenues dans les EDSH qui ont “un énorme potentiel”.

    En effet, cet AAP a pour objectif de “sélectionner et de financer des projets de recherche appliquée en santé d’excellence en exploitant les EDSH” pour :

    • produire des connaissances scientifiques sur la base de la réutilisation des données de santé ;
    • encourager l’organisation et le développement de collaborations (création d’écosystèmes autour des bases de données mutualisées) ;
    • favoriser le développement de l’expertise des offreurs de soins dans le domaine de l’exploitation des données de santé.

    Une enveloppe de 3,5 millions d’euros pour les projets lauréats :

    Comme pour les premières éditoons de l’AAP, une enveloppe de 3,5 millions d’euros est consacrée au financement des projets lauréats avec un financement libre pour chacun des projets. Dans le cahier des charges de l’AAP (téléchargeable ici), il est indiqué que les financements des projets sont alloués à la structure gestionnaire des fonds dans le cadre des circulaires tarifaires et budgétaires des établissements de santé et sont ensuite notifiés à la structure gestionnaire des fonds par arrêté du directeur général de l’Agence régionale de santé (ARS) compétente. La DGOS met l’accent sur le fait que ces crédits délégués sont destinés à l’usage exclusif de la structure gestionnaire des fonds et que le reversement de tout ou partie de ces crédits à d’autres personnes morales ou physiques n’est pas autorisé, sauf pour quelques exceptions énumérées dans le cahier des charges.

    👉 L’AAP est ouvert depuis le 20 octobre 2025 et il est possible d’y candidater en envoyant son dossier de candidature avant le 16 janvier 2026 à 23:55.

    Modalités de l’AAP

    Calendrier de l’AAP :

    • Ouverture des candidatures : 20/10/2025 ;
    • Date limite de dépôt : 16/01/2026 à 23h55 ;
    • Sélection des projets : janvier-février 2026 ;
    • Publication des résultats : printemps 2026.

    Critères d’éligibilité :

    Pour être éligible, le dossier doit remplir l’ensemble des conditions suivantes :

    • Le dépôt et le portage d’un projet associent systématiquement, d’une part, un porteur individuel comme coordonnateur scientifique et, d’autre part, un établissement de santé, un groupement de coopération sanitaire (GCS), une maison de santé ou un centre de santé, une personnalité morale assurant la coordination du projet et gestionnaire de son financement ;
    • Tout personnel appartenant à une des structures de soins énumérées ci-dessus peut porter un projet, sous réserve de l’engagement du responsable légal de cette structure ;
    • Tout personnel appartenant à une des structures de soins énumérées ci-dessus peut solliciter une autre structure pour porter un projet, sous réserve de l’engagement conjoint des responsables légaux de la structure à laquelle il appartient et de la structure sollicitée ;
    • Le portage d’un projet par un professionnel de santé libéral est possible, sous réserve : de conventionner avec un établissement de santé, un GCS, une maison ou un centre de santé coordonnateur pour la gestion des fonds qui seraient alloués au projet ; du respect des règles relatives à la promotion de la recherche et à la gestion de son financement ;
    • La structure coordonnatrice du projet et gestionnaire de son financement doit avoir mis en place un entrepôt de données de santé : bénéficiant d’une autorisation CNIL ; à défaut, ayant réalisé une déclaration de conformité au référentiel CNIL ou prévoyant de le faire dans un délai court n’excédant pas 12 mois à compter de l’annonce des lauréats ;
    • Les projets doivent mobiliser les données disponibles dans l’EDSH de la structure coordinatrice du projet ou en vue de l’être et peuvent, en complément, utiliser d’autres EDS (bénéficiant d’une autorisation CNIL, ayant fait une déclaration de conformité CNIL ou prévoyant de le faire dans un délai court de 12 mois à compter de l’annonce des lauréats) et d’autres sources de données. Le projet candidat mobilisant les données d’un ou plusieurs EDSH pourra être mené sur une plateforme locale ou sur une plateforme nationale, comme celle du Health Data Hub (HDH) ;
    • Les protocoles proposés doivent impliquer systématiquement un responsable scientifique et un responsable de la qualité et de la disponibilité des données ;
    • Les frais adjacents aux travaux préparatoires au lancement du projet de recherche (mise en qualité des données, intégration des données dans l’EDS, le cas échéant la réalisation de solutions techniques facilitant la consultation de sources de données plurielles, réalisés par des ressources internes ou externes aux partenaires projet) ne doivent pas excéder 40 % du financement total du projet. De plus, ces travaux préparatoires à l’exploitation des données dans l’EDS doivent être réalisés dans les 12 premiers mois du projet candidat à compter de l’annonce des lauréats.

    La DGOS recommande aux projets candidats de croiser les données des EDSH avec les données d’autres sources et de permettre le partage en open source et/ou sous licence permissive des résultats intermédiaires ou finaux.

    Critères de sélection :

    Le comité d’évaluation du HDH – composé d’un collège d’experts cliniciens, d’un collège d’experts méthodologistes et d’un collège d’experts en science des données – évaluera les projets candidats en fonction des éléments suivants :

    • Les bénéfices du projet pour l’intérêt public, notamment les enjeux de santé publique associés à la pathologie ou problème de santé ciblé par le projet ;
    • La pertinence de la méthodologie scientifique retenue et des données mobilisées dans la réalisation du projet ;
    • Le caractère innovant par rapport à l’état de l’art qui sera documenté ;
    • La faisabilité technique du projet ainsi que la capacité de l’équipe projet constituée de le mener à bien ;
    • La cohérence entre les objectifs du projet et le budget associé, qui sera correctement documenté ;
    • Le caractère mature du projet et sa capacité à témoigner de résultats rapidement ;
    • L’inscription dans le projet du partage de données et de la contribution à l’open source plus généralement.

  • Maladies infectieuses : la majorité des 21 cas d’usage de l’IA en France ne sont pas encore matures

    L’intelligence artificielle s’installe progressivement dans la lutte contre les maladies infectieuses

    La France compte aujourd’hui treize cas d’usage identifiés de l’intelligence artificielle appliquée aux maladies infectieuses. Leur maturité est contrastée : certains sont encore confinés à la recherche, d’autres en phase pilote, tandis que plusieurs ont déjà trouvé leur place dans les laboratoires hospitaliers et les dispositifs de veille épidémiologique. Cette diversité reflète une dynamique d’innovation rapide, où l’IA devient un levier central de compréhension, de prédiction et de réponse face aux menaces infectieuses.

    La recherche, moteur d’exploration des agents pathogènes :

    Quatre cas d’usage demeurent encore au stade académique, mais ouvrent des perspectives majeures pour la compréhension et la maîtrise des agents infectieux. Des équipes de recherche travaillent à l’analyse de la virulence des mycobactéries pathogènes, afin d’identifier les mutations associées aux formes graves de tuberculose et d’améliorer les futures stratégies vaccinales. D’autres programmes mobilisent l’IA pour la surveillance automatisée des variants viraux, permettant d’analyser des milliers de séquences génétiques en temps réel et de détecter précocement l’apparition de mutations à risque.

    Les chercheurs français explorent également l’usage de l’IA pour la modélisation des dynamiques épidémiques et la simulation des campagnes vaccinales, prolongeant les travaux initiés pendant la pandémie de Covid-19. Ces modèles permettent d’anticiper l’impact de nouvelles vagues infectieuses, de tester virtuellement différentes stratégies de vaccination et d’optimiser l’allocation des ressources sanitaires.

    Enfin, l’intelligence artificielle est mise à contribution pour la découverte de nouvelles classes d’antibiotiques, en criblant virtuellement des millions de molécules afin d’identifier celles présentant une activité antibactérienne inédite. Ces recherches, encore confinées aux laboratoires, esquissent les contours d’une infectiologie prédictive et data-driven.

    Des expérimentations cliniques et hospitalières en plein essor :

    Un second ensemble de dix cas d’usage est aujourd’hui en phase pilote, traduisant la montée en puissance des essais cliniques et des déploiements hospitaliers. Les travaux les plus avancés concernent la prédiction du risque de sepsis, où des modèles exploitent les données biologiques et physiologiques pour anticiper la dégradation des patients et adapter plus tôt la prise en charge. Dans les services de microbiologie hospitalière, plusieurs projets visent à accélérer l’identification des infections nosocomiales et à optimiser le tri des échantillons, réduisant les délais de diagnostic et améliorant la réactivité des équipes d’hygiène. Des essais cliniques évaluent également des modèles de prédiction du risque d’infections post-opératoires, en intégrant les données chirurgicales et biologiques pour identifier les patients les plus à risque. D’autres explorent la détection des agents infectieux dans le placenta, afin de dépister plus précocement les infections périnatales et prévenir les complications néonatales.

    De nouvelles approches viennent enrichir ce champ d’expérimentation : le diagnostic génomique intelligent in vitro, mené par bioMérieux et Mila, cherche à améliorer la précision du diagnostic moléculaire grâce au deep learning appliqué au séquençage. En parallèle, la surveillance et détection précoce des infections liées aux cathéters repose sur des modèles de vision par ordinateur capables d’identifier visuellement les signes d’infection avant leur aggravation. La surveillance épidémiologique nationale augmentée par l’IA générative, expérimentée par Santé publique France et Mistral AI, introduit quant à elle une nouvelle capacité d’analyse automatisée des signaux sanitaires.

    Enfin, les chercheurs de l’Institut Pasteur testent une analyse cellulaire dynamique des infections virales par microscopie 3D couplée à l’intelligence artificielle, permettant d’observer en temps réel les interactions entre virus et cellules hôtes. Ces expérimentations marquent une étape charnière : celle du passage d’une IA d’observation à une IA de décision, capable d’accompagner les cliniciens et les chercheurs dans la gestion en temps réel des infections et la compréhension de leurs mécanismes biologiques.

    Des usages déjà intégrés dans les laboratoires et la veille sanitaire :

    Sept cas d’usage se distinguent aujourd’hui par leur caractère pleinement opérationnel et leur intégration dans le système de santé français. Les technologies d’intelligence artificielle sont désormais utilisées dans les laboratoires de microbiologie hospitalière pour automatiser la lecture et l’interprétation des cultures bactériennes, réduisant considérablement les délais d’analyse.

    Dans les hôpitaux, des modèles prédictifs de détection du risque de sepsis ou de complications infectieuses permettent d’alerter plusieurs heures avant les premiers signes cliniques, renforçant la sécurité des patients et la réactivité des équipes. L’aide au diagnostic radiologique des infections pulmonaires, grâce à des solutions de vision par ordinateur, automatise l’interprétation des images thoraciques et facilite le repérage de pneumonies virales ou bactériennes. De leur côté, les outils d’optimisation hospitalière et de prévention prédictive des risques infectieux utilisent l’analyse en temps réel des données pour anticiper les épisodes d’infection et mieux gérer les flux hospitaliers.

    À l’échelle populationnelle, l’IA soutient désormais la surveillance virologique et épidémiologique via la détection précoce des variants et la modélisation des épidémies saisonnières, mais aussi à travers des dispositifs de surveillance épidémiologique mondiale capables de prédire les foyers infectieux émergents à partir de données ouvertes. Enfin, l’auto-évaluation et le suivi post-infection virale, illustrés par les applications issues du COVID-19, offrent aux patients un accompagnement personnalisé fondé sur l’interprétation automatisée de leurs symptômes et tests. La recherche intégrative croisant données cliniques, biologiques et environnementales progresse également dans le cadre de projets européens et nationaux, favorisant une approche globale et connectée de la lutte contre les maladies infectieuses. Ces initiatives confirment que l’intelligence artificielle est désormais un instrument central du pilotage, du diagnostic et de la prévention des infections en France.

    L’intelligence artificielle à l’épreuve des grandes maladies infectieuses

    L’analyse des treize cas d’usage français révèle une couverture hétérogène selon les pathologies. Si certaines, comme le sepsis ou le Covid-19, disposent déjà d’usages intégrés ou cliniquement déployés, d’autres domaines restent confinés à la recherche. Cette répartition illustre la manière dont la maturité technologique de l’IA épouse la dynamique épidémiologique de chaque infection.

    Les infections nosocomiales en tête des usages d’IA en France :

    Les infections nosocomiales et bactéries multirésistantes demeurent au cœur des usages français de l’intelligence artificielle appliquée aux maladies infectieuses. Ces pathologies concentrent à elles seules le plus grand nombre de cas d’usage identifiés (6 cas d’usage), qu’il s’agisse de la surveillance hospitalière des infections associées aux soins, de la prédiction du risque post-opératoire, ou encore de la détection automatisée de la résistance aux antibiotiques. L’IA s’impose également comme un levier d’innovation thérapeutique, avec la découverte de nouvelles classes d’antibiotiques et la phagothérapie personnalisée, illustrant la vitalité de la recherche française face à l’antibiorésistance.

    Le sepsis constitue le second grand domaine d’expérimentation, porté par des modèles prédictifs déjà déployés dans plusieurs CHU et établissements pilotes. Ces solutions exploitent les données biologiques et physiologiques pour anticiper les décompensations infectieuses avant qu’elles ne conduisent à un choc septique, offrant un véritable outil d’aide à la décision clinique et de réactivité hospitalière.

    Enfin, les maladies respiratoires virales – notamment la grippe saisonnière et le Covid-19 – représentent le troisième pilier de l’IA infectieuse. L’essor des solutions de diagnostic radiologique automatisé, de surveillance épidémiologique nationale et mondiale, et d’outils d’auto-suivi post-infection traduit une intégration croissante de l’intelligence artificielle dans la santé publique. Le Covid-19 a d’ailleurs agi comme un accélérateur technologique majeur, favorisant la modélisation en temps réel des épidémies et la structuration d’une veille sanitaire augmentée. À l’inverse, les hépatites virales et les infections à méningocoque demeurent pour l’instant confinées aux laboratoires de recherche, signe que la maturité des usages d’IA reste contrastée selon les domaines infectieux.

    Cartographie des cas d’usage de l’IA pour les maladies infectieuses en France :

    Cas d'usage de l'IA pour les maladies infectieuses en France
    Cas d’usage de l’IA pour les maladies infectieuses en France – @ Health&Tech Intelligence

    Airtable des cas d’usage :

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

  • Infectiologie augmentée : quand la donnée devient un outil de santé publique

    Les maladies infectieuses connaissent une accélération marquée par les bouleversements écologiques et la mobilité mondiale, compliquant la prévisibilité des pathogènes et confrontant les systèmes de santé à des limites opérationnelles. Le changement climatique favorise l’émergence et la diffusion de nouveaux agents infectieux, dont la France surveille la dynamique avec des outils de plus en plus sophistiqués. Face à cette menace, une approche multidisciplinaire — One Health — se dessine, reliant santé humaine, animale et environnementale pour une réponse coordonnée et agile. Ce paradigme est promu par les institutions françaises et européennes, appuyé par des investissements publics conséquents pour développer la recherche, renforcer la surveillance, et améliorer la prévention.​

    Parmi les défis majeurs figurent la résistance croissante aux antibiotiques, qui menace de ruiner soixante-dix ans de progrès médicaux. L’antibiorésistance allonge les hospitalisations et augmente les risques de complications fatales même pour des infections bénignes, engendrant des coûts importants pour le système de santé. L’approvisionnement en médicaments, notamment les molécules anciennes et essentielles, est fragilisé par des ruptures logistiques et des désintérêts industriels.​

    La France investit dans la détection rapide, la veille épidémiologique numérique et les essais vaccinaux, à travers des plateformes interconnectées et le soutien de projets innovants. L’intelligence artificielle accélère le diagnostic, optimise la surveillance, et favorise la personnalisation thérapeutique, bien que son intégration en routine hospitalière reste encore limitée par des enjeux techniques et organisationnels. La formation des professionnels, l’interopérabilité des systèmes et l’acceptabilité éthique sont au cœur des transformations à venir.

    Découvrez l’analyse d’Health&Tech Intelligence sur le sujet de l’IA et des maladies infectieuse dans cette étude : ⤵️

    📌France 2030 : 44 M€ pour renforcer la surveillance et la recherche face aux maladies infectieuses émergentes

    La France investit 44 millions d’euros pour consolider quatre plateformes nationales – EMERGEN 2.0, OPEN‑ReMIE, I‑REIVAC Emergence et OBEPINE+ – dédiées à la détection, la recherche clinique et la veille épidémiologique. Chaque année, une nouvelle maladie infectieuse apparaît dans le monde et les infections sont devenues la troisième cause de mortalité en France. L’antibiorésistance représente déjà 130 000 infections et 5 500 décès annuels, pour un coût estimé jusqu’à 440 millions d’euros par an pour le système de santé. Ce plan, issu de la stratégie nationale France 2030, vise à renforcer la résilience sanitaire et à anticiper les risques dans une approche intégrée « One Health ».

    👉 Plus de détails sur « Infections émergentes : 44 M€ mobilisés pour renforcer la surveillance et l’innovation – Health & tech ».

    📌Intelligence artificielle et infectiologie : 187 études confirment son impact global sur le diagnostic, la prévention et la découverte thérapeutique

    En 2025, 187 études scientifiques démontrent le rôle central de l’intelligence artificielle dans la lutte contre les maladies infectieuses. Les modèles IA atteignent des précisions de 60 % à 94,5 % pour le diagnostic, identifient de nouveaux biomarqueurs comme le Torque Teno Virus (≥ 5,16 log10 cp/mL) et accélèrent la découverte d’antibiotiques et de vaccins. Des cartes géostatistiques à 1×1 km optimisent la couverture vaccinale, tandis que l’IA contribue à modéliser les épidémies et à personnaliser les traitements. Toutefois, les chercheurs soulignent des défis persistants de gouvernance, d’équité des données et de formation des professionnels de santé pour concrétiser pleinement ces avancées.

    👉 Plus de détails sur « 187 études soulignent l’impact transversal de l’IA sur les maladies infectieuses (revue de littérature) – Health & tech ».

    📌Intelligence artificielle : des progrès spectaculaires en laboratoire, mais un usage encore marginal dans les hôpitaux

    Malgré des avancées majeures en recherche, l’intelligence artificielle reste quasi absente de la pratique clinique, constate Nathan Peiffer‑Smadja (AP‑HP). Faute d’infrastructures unifiées et de données cohérentes, les médecins travaillent encore avec des outils fragmentés, loin de l’IA prédictive. Seule l’imagerie médicale tire son épingle du jeu grâce à des applications de détection automatisée. L’exemple d’Antibiogo, application mobile de diagnostic développée par Médecins Sans Frontières, démontre toutefois qu’une approche simple et ciblée rend l’IA réellement utile sur le terrain hospitalier.

    👉 Plus de détails sur « Les progrès sont réels et spectaculaires en laboratoire, mais rien n’a changé dans les diagnostics et la clinique de routine » (Nathan Peiffer-Smadja, AP-HP) – Health & tech ».

    📌🗺️De l’alerte à la guérison : comment l’IA renforce chaque étape du parcours patient en infectiologie

    L’intelligence artificielle s’intègre désormais tout au long du parcours des patients infectieux, de la détection des foyers épidémiques à la surveillance post‑hospitalière. Des outils tels que Bluedot, PhénoMATRIX, TREWS, ZINC et MedDataSuite optimisent la veille sanitaire, accélèrent les diagnostics et préviennent les complications. Le cas fictif de Clara illustre cette médecine connectée : diagnostic affiné en quelques heures, traitement personnalisé, suivi sécurisé et coordination fluide entre ville et hôpital. En combinant anticipation, précision et continuité, l’IA transforme la gestion des maladies infectieuses en un parcours plus prédictif et collaboratif.

    👉 Plus de détails sur « De l’alerte épidémique au suivi post-hospitalier : l’IA en appui au parcours patient – Health & tech ».

    📌🗺️Maladies infectieuses : l’IA progresse en France mais la majorité des cas d’usage restent en phase pilote.

    La France recense 21 cas d’usage identifiés de l’intelligence artificielle appliquée aux maladies infectieuses, mais seul un tiers a atteint un niveau de maturité clinique ou opérationnelle. Treize projets concernent la recherche et les essais pilotes — du diagnostic génomique à la détection de sepsis ou d’infections périnatales — tandis que sept dispositifs fonctionnent déjà dans les laboratoires et la veille épidémiologique. Les infections nosocomiales concentrent six usages, suivies du sepsis et des maladies respiratoires virales. Si l’IA apporte des gains tangibles en diagnostic et modélisation, la majorité des solutions françaises reste encore au stade exploratoire, freinée par des limites techniques, éthiques et organisationnelles.

    👉 Plus de détails sur « Maladies infectieuses : la majorité des 21 cas d’usage de l’IA en France ne sont pas encore matures – Health & tech ».

    📌🗺️Infections hospitalières : 13 solutions d’IA françaises pour transformer la détection et la prévention du sepsis

    Face aux 57 000 décès annuels liés au sepsis et aux 750 000 infections nosocomiales, les hôpitaux français accélèrent l’intégration de l’intelligence artificielle dans la microbiologie, la réanimation et la prévention. L’AP‑HP a investi 2 millions d’euros dans PhénoMATRIX™, réduisant de 90 % le temps de détection infectieuse, tandis que l’IHU Prometheus mobilise 40 millions d’euros pour diviser par deux la mortalité du sepsis d’ici 2034. De LUMED APSS pour la surveillance antimicrobienne à MedDataSuite pour l’analyse en langage naturel, treize solutions d’IA structurent un continuum allant du laboratoire à la décision clinique. Ces avancées marquent le passage vers un hôpital prédictif, interconnecté et centré sur la prévention des risques infectieux.

    👉 Plus de détails sur « 13 solutions française d’IA pour les maladies infectieuses pour 3 types d’usagers – Health & tech ».

    Visuel de synthèses IA et infectiologie @HTI

  • 13 solutions française d’IA pour les maladies infectieuses pour 3 types d’usagers

    Contexte hospitalier : 57 000 décès annuels par sepsis et 4,34% des patients infectés

    En France, le sepsis représente une urgence médicale majeure responsable de 57 000 décès annuels selon les dernières données ministérielles. Cette pathologie touche 300 000 hospitalisations par an, avec un taux de mortalité hospitalière de 23% et un coût moyen de 16 000 euros par hospitalisation. Parallèlement, 4,34% des patients hospitalisés contractent une infection nosocomiale en 2022, soit environ 750 000 infections annuelles représentant un surcoût de 2,4 à 6 milliards d’euros pour le système de santé français.​

    L’environnement hospitalier français fait face à une triple menace : la complexification des cas de sepsis avec un taux de mortalité en réanimation passé de 60,1% en 1993 à 39,5% en 2010 mais restant dramatiquement élevé , l’augmentation des infections nosocomiales résistantes aux antibiotiques, et l’émergence d’épidémies respiratoires de forte intensité comme la grippe 2025 avec 29 000 hospitalisations après passage aux urgences. Cette situation critique justifie l’investissement massif dans les solutions d’intelligence artificielle dédiées à la détection précoce et à la prévention des infections.​

    2 millions d’euros investis dans l’IA microbiologique à l’AP-HP

    Face à cette situation L’Assistance Publique-Hôpitaux de Paris s’intéresse aux innovations technologiques, notamment à l’IA. Le déploiement de la plateforme PhénoMATRIX™ aux hôpitaux Saint-Louis et Lariboisière représente un investissement de 2 millions d’euros pour équiper un espace de 500m² analysant 800 échantillons quotidiens. Cette infrastructure automatisée nouvelle génération intègre l’intelligence artificielle embarquée pour la reconnaissance d’images, de morphotypes et de couleurs des colonies bactériennes, le système fonctionne 7 jours sur 7 de 8h à 18h, traitant des prélèvements de microbiologie conventionnelle provenant de patients infectés (urines, poumons, biopsies, liquides biologiques) et de dépistages de portage de bactéries multirésistantes. L’IA intégrée permet le design d’algorithmes de validations biologiques personnalisés selon les données patients (âge, sexe), les pathologies suspectées et les services d’hospitalisation, représentant une approche de médecine de précision appliquée à la microbiologie.​

    Impact clinique et économique : réduction de 90% du temps de détection des infections nosocomiales

    Les solutions d’IA déployées dans les hôpitaux français démontrent leur utilité. Les systèmes de détection automatisée des infections nosocomiales réduisent de 90% le temps de collecte de données par rapport aux méthodes manuelles. Cette accélération diagnostique s’avère critique dans un contexte où chaque jour d’infection nosocomiale génère un surcoût de 500 à 40 000 euros selon la localisation et la sévérité.​ Cette équation économique favorable justifie les investissements technologiques massifs, d’autant que le coût de la “non-qualité” infectieuse dépasse largement celui de la prévention technologique.​

    Le sepsis présente des enjeux économiques particulièrement critiques avec des durées de séjour en réanimation stables à 9 jours mais des séjours hospitaliers prolongés atteignant 22 jours en 2011 contre 11 jours en 1993. Cette évolution reflète la complexification des cas et justifie l’intégration d’outils prédictifs comme SEPSI-SCORE© de PREVIA MEDICAL, capable d’alerter 48 heures avant les premiers symptômes.​

     40 millions d’euros pour l’IHU Prometheus

    La France structure son système hospitalier dans la lutte contre les infections par des investissements de recherche majeurs. L’Institut Hospitalo-Universitaire Prometheus, lancé en septembre 2024 avec un financement de 40 millions d’euros dans le cadre de France 2030, fédère plus de 60 équipes de recherche autour de l’objectif de réduire de moitié la mortalité et les séquelles du sepsis d’ici 2034. Cette ambition s’appuie sur une cohorte longitudinale de 10 000 patients suivis sur dix ans, représentant la plus importante base de données européenne sur le sepsis.​

    L’automatisation des laboratoires hospitaliers transforme fondamentalement les flux de soins. La plateforme de l’AP-HP assure une standardisation et une traçabilité conformes à la norme NF EN ISO 15189, renforçant la sécurité des opérateurs tout en libérant du temps médical pour l’expertise diagnostique. Cette évolution permet aux équipes de se concentrer sur la valeur médicale du diagnostic plutôt que sur les tâches répétitives de tri et d’analyse primaire.​

    Défis spécifiques au milieu hospitalier : infections silencieuses et résistance antimicrobienne

    Les hôpitaux français confrontent des défis épidémiologiques complexes, notamment les “épidémies silencieuses” d’entérocoques résistants à la vancomycine où la plupart des patients sont colonisés sans être infectés. Cette situation nécessite des stratégies de dépistage sophistiquées intégrant l’IA pour identifier les sources de transmission privilégiées et optimiser les interventions de désinfection.​ La résistance antimicrobienne amplifie ces défis : les patients atteints de sepsis dû à des agents pathogènes résistants présentent un risque de décès hospitalier significativement majoré. Dans ce contexte, les solutions comme LUMED APSS de bioMérieux, certifiée CE en avril 2025, deviennent essentielles pour optimiser les prescriptions antimicrobiennes et surveiller les infections résistantes.​

    Les services de réanimation constituent des environnements particulièrement critiques avec des taux de mortalité de septicémies nosocomiales atteignant 52%. Ces unités nécessitent des systèmes de surveillance en temps réel intégrés aux dossiers médicaux électroniques, comme les algorithmes développés par le Health Data Hub pour évaluer l’impact clinique des solutions prédictives.​

    Transformation des pratiques médicales : de la surveillance manuelle à l’IA prédictive

    L’évolution des pratiques hospitalières s’oriente vers une surveillance prédictive automatisée remplaçant progressivement les approches manuelles chronophages. Les réseaux de neurones analysent les connexions entre patients, chambres et équipements pour identifier les sources de transmission privilégiées, améliorant la compréhension épidémiologique des épidémies nosocomiales.​ Cette transformation s’accompagne d’une redéfinition des rôles professionnels : les biologistes et techniciens se concentrent sur l’interprétation et la validation des résultats tandis que l’IA gère le tri primaire et la reconnaissance automatisée. Cette évolution nécessite une formation approfondie des équipes, intégrée dans la stratégie nationale de formation de 500 000 soignants à l’IA.​

    Les plateformes comme MedDataSuite d’Hopsia illustrent cette transformation en permettant aux médecins de poser des questions en langage naturel sur les données de santé de l’établissement. Cette démocratisation de l’accès aux données complexes pourrait révolutionner la prise de décision clinique dans la gestion des infections.​

    Perspectives d’évolution : vers des hôpitaux prédictifs et autonomes

    A l’avenir les hôpitaux français pourraient s’orienter vers des environnements prédictifs intégrant l’ensemble des données patient, environnementales et organisationnelles. Les modèles d’IA pourraient analyser simultanément les données de laboratoire, de pharmacie, des urgences et des blocs opératoires pour détecter instantanément les infections et prédire les risques individuels.​ Cette évolution nécessiterait l’intégration des standards HL7, OMOP et FHIR permettant l’interopérabilité des systèmes d’information hospitaliers. L’harmonisation technique nationale, coordonnée par le Health Data Hub avec plus de 200 projets accompagnés en 2025, créera les conditions d’un apprentissage fédéré préservant la confidentialité tout en maximisant les performances algorithmiques.​

    Synthèse stratégique hospitalière

    L’écosystème hospitalier français démontre une capacité d’innovation remarquable dans l’intégration de l’IA pour la lutte contre les infections. L’investissement de 2 millions d’euros dans la plateforme PhénoMATRIX™ de l’AP-HP, couplé aux 40 millions d’euros de l’IHU Prometheus et aux 80 millions du PEPR MIE, structure un continuum recherche-innovation-déploiement singulier en Europe.

    Les performances cliniques obtenues – réduction de 90% du temps de détection, analyse de 800 échantillons quotidiens automatisée, potentiel d’économies de 240 à 600 millions d’euros – valident l’approche technologique française. Cependant, l’ampleur du défi reste considérable : 57 000 décès annuels par sepsis, 750 000 infections nosocomiales générant 6 milliards d’euros de surcoûts, et émergence de résistances antimicrobiennes critiques.

    La réussite de cette transformation dépendra de la capacité à maintenir l’investissement technologique, former massivement les professionnels de santé, et développer une interopérabilité nationale permettant l’apprentissage fédéré. L’objectif de réduire de moitié la mortalité par sepsis d’ici 2034, porté par l’IHU Prometheus, cristallise cette ambition de faire de la France le leader européen de l’IA hospitalière appliquée aux maladies infectieuses.

    Cartographie des solutions d’IA pour les maladies infectieuses @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>

  • De l’alerte épidémique au suivi post-hospitalier : l’IA en appui au parcours patient

    Un parcours de soins entre médecine de ville, hôpital et santé publique

    Le parcours de soins d’un patient atteint d’une maladie infectieuse regroupe l’ensemble des étapes médicales, sociales et administratives qu’il traverse, depuis l’apparition des premiers symptômes jusqu’à la guérison ou la stabilisation de son état. Ce parcours est complexe, car il implique la coordination de plusieurs acteurs de santé : médecins généralistes, infectiologues, laboratoires, hôpitaux, ainsi que les services de santé publique.

    Une gestion clinique modulée par la gravité, la transmission et les co-morbidités

    Qu’il s’agisse de pathologies comme la grippe, COVID-19, tuberculose, hépatites B/C, infections nosocomiales, méningite, paludisme, VIH ou bien tropicales comme la dengue ou le chikungunya, la prise en charge varie selon le type d’infection, sa gravité, son mode de transmission, mais aussi le contexte épidémiologique et le patient lui-même (adultes, enfants, avec ou sans co-morbidité, etc.).

    @Health & Tech Intelligence

    Le parcours commence par l’apparition des premiers symptômes, et un diagnostic clinique, complété par des examens biologiques pour identifier l’agent pathogène. Ensuite, un traitement adapté est mis en place, pouvant aller de l’antibiothérapie ambulatoire à une hospitalisation en service spécialisé, notamment en cas d’infections graves ou contagieuses. Ce parcours doit également intégrer la prévention de la transmission, le suivi du patient, l’éducation thérapeutique, et dans certains cas, la déclaration de la maladie auprès des autorités sanitaires. L’amélioration et la fluidité du parcours détermine en partie efficacité de la prise en charge.

    @Health & Tech Intelligence

    Comment l’IA accompagne chaque étape du parcours infectieux ?

    L’intelligence artificielle renforce la détection précoce des épidémies en croisant données génomiques, signaux environnementaux et contenus en ligne. Elle améliore les capacités de prédiction et de réaction des systèmes de santé. Grâce à des outils comme le machine learning, l’IA traite de grands volumes de données pour anticiper les risques (moustiques, choléra, mutations virales) et adapter les réponses sanitaires.

    • Systèmes d’alerte précoce et réseaux sociaux : des plateformes telles que HealthMap exploitent l’IA pour agréger automatiquement les signaux épidémiques provenant de la presse, des réseaux sociaux ou des bases de données scientifiques. Ce système a permis, par exemple, la détection de la grippe H1N1 au Mexique. Les publications sur les réseaux sociaux, traitées en temps réel, peuvent également fournir des signaux faibles (hausse de mentions de symptômes grippaux) qui alertent les autorités sanitaires sur une zone géographique donnée. L’IA y joue un rôle de filtre et de classification, permettant de distinguer les contenus pertinents.
    • Biologie synthétique, diagnostics et développement de traitements : L’IA soutient la détection rapide et la caractérisation des agents infectieux en s’appuyant sur l’analyse d’images médicales (scanner, IRM) ou d’expression génétique. Les réseaux neuronaux convolutifs (CNN), les SVM ou encore les algorithmes k-nearest neighbors sont utilisés pour identifier le statut infectieux, estimer la sévérité ou encore évaluer la réponse au traitement. En recherche pharmaceutique, l’IA automatise le criblage de milliers de molécules, ce qui facilite la redécouverte de médicaments ou l’identification de nouveaux candidats. Les modèles de type graph neural networks exploitent des données issues de criblages phénotypiques pour prédire les interactions médicament-cible.

    IA et maladies infectieuses : des outils mobilisés à chaque étape du parcours de soins

    Du repérage des foyers épidémiques à la prévention des complications, des outils d’IA comme Bluedot, TREWS ou ZINC s’intègrent progressivement dans les pratiques hospitalières et la recherche pour renforcer la réactivité, la précision des diagnostics et l’efficacité des traitements. À chaque étape, l’intelligence artificielle (IA) trouve des applications qui améliorent la prise en charge. Cet article synthétique retrace les grandes étapes du parcours patient (de la prévention au suivi post-traitement) en illustrant, pour chacune, les apports de l’IA par quelques exemples.

    • Anticiper les risques : vaccination et surveillance épidémique : En amont des soins, certaines plateformes optimisent les stratégies de prévention. MedDataSuite (Hopsiia), une suite logicielle intégrant plusieurs modules d’IA, permet d’améliorer la gestion hospitalière : anticipation des besoins en lits, optimisation des flux d’urgence et appui à la planification des campagnes de vaccination. L’objectif est de renforcer la coordination logistique en période de tension sanitaire. Pour détecter les premiers signaux d’une épidémie, Bluedot croise des millions de sources d’information : bases de données médicales, articles scientifiques, réseaux sociaux et bulletins de santé publique. Ce système a identifié l’émergence du COVID-19 plusieurs jours avant l’alerte officielle de l’OMS, illustrant le potentiel de ces outils dans la veille épidémiologique en temps réel.
    • Intervenir tôt : symptômes et diagnostic rapide : Lorsque les premiers symptômes apparaissent, le recours à l’IA permet d’accélérer la détection de situations critiques. Le système TREWS (Targeted Real-time Early Warning System), utilisé en milieu hospitalier, analyse en continu les données cliniques des patients pour identifier les signes précoces d’un choc septique. Il alerte les médecins avant l’apparition de complications, améliorant ainsi les délais d’intervention. La précision du diagnostic est renforcée grâce à des projets comme Diagnostic in Vitro, une collaboration entre bioMérieux et l’institut Mila. Ce partenariat développe des modèles d’IA appliqués à l’analyse génomique, en particulier pour détecter les résistances aux antibiotiques. En parallèle, la plateforme PhénoMATRIX automatise l’analyse des cultures bactériennes en laboratoire, ce qui réduit les délais de traitement et fiabilise les résultats.
    • Cibler les traitements : antibiotiques et personnalisation : Face à la progression des résistances bactériennes, l’intelligence artificielle s’attaque également au développement de nouveaux traitements. La solution Antibiotics-AI explore, grâce au machine learning, des millions de composés chimiques pour prédire leur potentiel antibactérien. Ce modèle accélère le processus de découverte de nouvelles classes d’antibiotiques, un enjeu pour contrer l’antibiorésistance.
    • Suivre les patients : prévention des complications infectieuses : Une fois le traitement engagé, la surveillance reste essentielle. ZINC, logiciel de suivi en temps réel des infections associées aux soins, détecte et suit plus de 20 types d’infections nosocomiales, notamment celles liées à des pathogènes multirésistants. Il s’appuie sur les résultats d’antibiogrammes pour alerter les équipes soignantes et limiter les risques de propagation en milieu hospitalier. MedDataSuite intervient également en aval pour prévenir d’éventuelles complications post-traitement, en croisant les données administratives et cliniques afin d’identifier les patients à risque de rechute ou d’événements indésirables.

    Ces solutions illustrent la diversité des usages possibles de l’IA tout au long du parcours patient. Leur intégration dans la pratique clinique repose sur une logique d’assistance : elles analysent, priorisent, alertent ou automatisent, mais ne remplacent pas le jugement médical. Leur efficacité dépend enfin de leur intégration dans des environnements numériques sécurisés, compatibles avec les exigences de confidentialité des données de santé.

    @Health & Tech Intelligence

    Médecine de ville vs. hôpital : deux approches de l’IA pour prévenir et traiter les infections

    Alors que la médecine de ville mobilise l’IA pour améliorer le dépistage, le suivi et la prévention individualisée, l’hôpital s’appuie sur des systèmes plus complexes pour anticiper les complications, optimiser les traitements et contenir les infections nosocomiales.

    Médecine de ville : soutien à la pratique quotidienne et prévention personnalisée

    Les médecins généralistes peuvent utiliser des outils intégrés à leur logiciel pour obtenir, dès la première consultation, une liste de diagnostics probables selon les symptômes saisis. Cela limite les examens inutiles et les retards face aux infections graves. La télésurveillance repose sur des objets connectés couplés à des algorithmes d’alerte. Ces dispositifs assurent le suivi à distance des patients chroniques ou fragiles et préviennent le médecin en cas de signe d’infection. Certains logiciels détectent une hausse locale des cas grippaux et incitent à rappeler les patients à risque pour la vaccination. Les outils d’aide à la prescription proposent des alertes sur l’indication d’un antibiotique ou suggèrent un test avant traitement. Ils tiennent compte des recommandations officielles et du contexte local. Des applications mobiles, utilisées par les patients, rappellent les prises, recueillent des données et envoient des synthèses au médecin. Certaines incluent un chatbot médical capable de répondre à des questions simples ou de signaler une anomalie.

    Hôpital : analyse de masse, décisions critiques et lutte contre les infections nosocomiales

    À l’hôpital, l’IA répond à une logique plus “industrielle”. Aux urgences, des algorithmes de tri classent les patients selon leur niveau de risque, à partir des constantes vitales et du langage clinique. En réanimation, des modèles prédictifs repèrent une aggravation plusieurs heures avant les signes cliniques, ce qui permet d’adapter les traitements plus tôt. Des outils comme Nosotech surveillent les infections nosocomiales. Ils croisent les données de laboratoire, de pharmacie et des dossiers patients pour détecter des cas groupés ou émergents. Ces alertes déclenchent des actions ciblées et produisent des rapports en temps réel. Certains systèmes estiment le risque individuel d’infection dès l’admission. L’IA appuie aussi les diagnostics spécialisés. En imagerie, elle signale des anomalies critiques sur des examens lourds. En virologie, elle identifie des mutations résistantes. En infectiologie, elle aide à construire des traitements complexes par simulation de combinaisons d’antibiotiques. D’autres algorithmes prévoient les flux de patients infectieux pour adapter les ressources pendant une épidémie. Certains ajustent les blocs opératoires selon le contexte infectieux. Enfin, des assistants intégrés au dossier patient rédigent automatiquement les comptes rendus et codent les diagnostics.

    @Health & Tech Intelligence

    Maladies infectieuses : six solutions d’IA au service du parcours de soins de Clara

    Récit d’un parcours médical (fictif) soutenu par l’intelligence artificielle. Que change la technologie pour le patient ?

    Voici l’histoire pédagogique de Clara, 38 ans, enseignante à Marseille, dont le parcours patient en maladies infectieuses est éclairé par les applications d’intelligence artificielle (IA). Chaque étape met en scène l’action concrète de ces outils, en médecine de ville et à l’hôpital, pour montrer leur impact sur la sécurité, la rapidité et la pertinence des soins.

    Étape 1 : Retour de voyage et risque infectieux, Bluedot détecte un cluster avant les premiers cas déclarés

    Détection précoce des épidémies : Clara rentre d’un séjour à Singapour. Elle ne le sait pas encore, mais Bluedot, une plateforme mondiale d’IA, scanne en temps réel des centaines de milliers de sources (rapports sanitaires, articles, réseaux sociaux, données de voyages). Quelques jours après son retour, Bluedot identifie un cluster de fièvres inexpliquées à Singapour, détectant ainsi un foyer infectieux émergent. Un signal d’alerte est transmis au système de santé français : « Risque d’importation d’un agent infectieux nouveau dans la région Sud. »

    • 📌Impact en ville : Alerte précoce pour les médecins généralistes et autorités sanitaires, permettant une surveillance renforcée des voyageurs récents.
    • 📌Impact à l’hôpital : Activation des protocoles de vigilance et préparation des services d’infectiologie.

    Étape 2 : Premiers symptômes, une alerte oriente l’attention du médecin

    Quelques jours plus tard, Clara présente de la fièvre, des courbatures et une toux sèche. Elle consulte son médecin traitant, qui, grâce à l’alerte Bluedot, est attentif aux signes d’infection tropicale. Des prélèvements sont réalisés et envoyés au laboratoire.

    Étape 3 : Diagnostic en quelques heures : l’IA identifie le pathogène et les résistances

    À l’hôpital, le Projet Diagnostic in Vitro (bioMérieux & Mila) prend le relais : son IA analyse des prélèvements de Clara. En quelques heures, elle identifie précisément le pathogène en cause — une souche grippale atypique, résistante à certains antiviraux — et détecte la présence de gènes de résistance aux antibiotiques. Le système PhénoMATRIX complète le diagnostic en analysant les cultures bactériennes associées, vérifiant si une surinfection est à craindre.

    • 📌Impact à l’hôpital : Diagnostic ultra-rapide, précision accrue, adaptation immédiate du traitement.
    • 📌Impact en ville : Transmission des résultats au médecin traitant en temps réel pour assurer la continuité des soins.

    Étape 4 : l’IA propose un antibiotique adapté à la résistance détectée

    Face à la résistance détectée, l’IA Antibiotics-AI est sollicitée. Elle analyse des millions de molécules pour identifier rapidement un nouvel antibiotique prometteur, capable de contourner la résistance. Les médecins hospitaliers reçoivent une recommandation personnalisée pour Clara, validée par les infectiologues. Parallèlement, TREWS (système de surveillance hospitalière) analyse en continu les données cliniques de Clara : fréquence cardiaque, pression artérielle, température, saturation en oxygène. Dès qu’un signe précurseur de choc septique est détecté — avant même que Clara ne ressente une aggravation —, TREWS alerte l’équipe soignante, permettant une intervention rapide et évitant une dégradation majeure.

    • 📌Impact à l’hôpital : Sécurité renforcée, réactivité optimale, personnalisation du traitement.
    • 📌Impact en ville : Transparence du parcours, transmission des recommandations thérapeutiques au médecin traitant pour le suivi.

    Étape 5 : Séjour hospitalier sous surveillance IA, Clara évite les complications grâce à ZINC

    Clara est hospitalisée quelques jours. ZINC, le logiciel de surveillance des infections nosocomiales, surveille en temps réel tous les patients du service. Il détecte automatiquement toute infection associée aux soins, y compris les pathogènes multirésistants, et alerte les équipes en cas de risque. Grâce à ZINC, Clara bénéficie d’un environnement sécurisé, avec un risque minimal de contracter une infection supplémentaire. MedDataSuite optimise la gestion de son séjour : attribution du bon lit, coordination des examens, gestion des rendez-vous de suivi. La plateforme permet aussi de tracker en temps réel tout événement indésirable, garantissant une prise en charge fluide et sécurisée.

    • 📌Impact à l’hôpital : Prévention active des complications, gestion efficace des ressources, traçabilité du parcours.
    • 📌Impact en ville : Transmission des comptes-rendus et des recommandations de suivi au médecin traitant.

    Étape 6 : Sortie et suivi

    Clara sort de l’hôpital avec un plan de suivi personnalisé, élaboré grâce aux données consolidées par MedDataSuite. Son médecin traitant reçoit un dossier complet, incluant les résultats des analyses génomiques (Projet Diagnostic in Vitro), les recommandations thérapeutiques (Antibiotics-AI), et les consignes de surveillance (ZINC, TREWS). Un rendez-vous de contrôle est planifié, avec alerte automatique en cas de réapparition de symptômes.

    Résumé du parcours : de la détection à la prévention, l’IA tisse un fil continu entre ville et hôpital

    • Bluedot : Détection précoce des risques épidémiques, alerte les professionnels de santé.
    • Projet Diagnostic in Vitro & PhénoMATRIX : Diagnostic ultra-rapide et précis, détection de la résistance.
    • Antibiotics-AI (MIT) : Proposition de traitements innovants face aux résistances.
    • TREWS (Bayesian Health) : Surveillance en temps réel, détection précoce des complications graves.
    • ZINC (Lumed) : Prévention et gestion des infections nosocomiales.
    • MedDataSuite (Hopsiia) : Optimisation et sécurité du parcours hospitalier, coordination ville-hôpital.

    Clara a bénéficié d’un parcours sécurisé, personnalisé et efficace, grâce à l’intégration de ces solutions d’IA tout au long de son histoire médicale. Chaque outil a joué un rôle pour anticiper, diagnostiquer, traiter et prévenir les complications, tout en assurant une continuité des soins entre la ville et l’hôpital. Cette synergie illustre comment l’IA transforme la prise en charge des maladies infectieuses.

  • « Les progrès sont réels et spectaculaires en laboratoire, mais rien n’a changé dans les diagnostics et la clinique de routine » (Nathan Peiffer-Smadja, AP-HP)

    L’intelligence artificielle progresse en recherche médicale, mais reste quasi absente des pratiques hospitalières. Faute d’infrastructures numériques et de données unifiées, sa promesse peine à se concrétiser dans le quotidien des soignants. De nombreuses solutions d’intelligence artificielle existent dans le domaine des maladies infectieuses, mais qu’en est-il concrètement de ses apports sur le terrain clinique ? Afin d’enrichir son étude sur les apports de l’IA dans le domaine des maladies infectieuses avec un retour de terrain, H&TI s’est entretenu avec Nathan Peiffer-Smadja, médecin au Service de Maladies infectieuses et tropicales à l’Hôpital Bichat Claude-Bernard de l’Assistance publique des hôpitaux de Paris (AP-HP).

    Une révolution encore majoritairement hors des murs hospitaliers

    Dans les services de maladies infectieuses, l’intelligence artificielle (IA) peine encore à s’ancrer dans la pratique quotidienne. « On est loin de l’IA, on pratique avec des outils anciens », résume le clinicien Nathan Peiffer-Smadja, décrivant une réalité hospitalière où les technologies avancées côtoient encore le stylo et le papier. Si le numérique s’est imposé dans l’infrastructure, son usage reste fragmenté : « les urgences et les réanimations prescrivent encore sur papier », ajoute-t-il. Cette persistance analogique rend difficile tout traitement automatisé de l’information. Faute de systèmes unifiés et de données cohérentes, l’intelligence artificielle demeure confinée à la théorie ou réservée à des projets pilotes. Dans les faits, l’outil principal du médecin n’est pas encore l’algorithme, mais des logiciels parfois anciens.

    L’IA plus présente dans la recherche

    Le décalage entre recherche et pratique clinique est au cœur du constat. M. Peiffer-Smadja évoque « deux grands mondes : la recherche, où l’IA a beaucoup à dire, et la pratique clinique, où elle est absente ». Dans les laboratoires de microbiologie, les outils d’apprentissage automatique innovent dans la découverte de molécules antivirales, l’analyse du microbiote et la modélisation génétique. Le séquençage d’ADN, qui nécessitait plusieurs jours, se réalise aujourd’hui en quelques minutes. Ces avancées s’appuient sur une puissance de calcul importante et des volumes massifs de données biologiques. Pourtant, ces avancées ne franchissent pas les portes des services hospitaliers. L’absence de passerelle entre l’expérimentation et la médecine quotidienne empêche une transposition directe. « Ce qu’on voit, ce sont des progrès spectaculaires en laboratoire, mais rien n’a changé dans les diagnostics de routine », observe-t-il. Un constat qui illustre le retard des hôpitaux français face à l’industrialisation de la donnée médicale.

    Données patients : un historique fragmenté

    La masse documentaire produite par l’hôpital illustre le paradoxe numérique de la médecine moderne. « Quand j’ouvre un dossier patient, il y a entre 200 et 500 PDF à lire si je veux connaître son parcours », confie l’interviewé. Les systèmes informatiques accumulent comptes rendus, prélèvements, résultats d’imagerie et bilans biologiques sans hiérarchie d’importance ni format standard. Ce désordre documentaire, aggravé par l’absence d’interopérabilité entre services, nuit à l’efficience des soins. Des solutions d’IA peuvent classer, résumer et prioriser ces informations, mais elles se heurtent généralement à la qualité hétérogène des données et à la multiplicité des logiciels existants. « En pratique clinique, les données ne sont pas toujours cohérentes, complètes et de qualité », ajoute-t-il.

    L’image médicale, exception technologique

    Face à cette inertie, l’imagerie médicale apparaît comme le champ d’expérimentation le plus mûr pour l’IA. « Sur une radio de thorax, il y a maintenant un petit carré qui s’affiche pour indiquer ‘peut-être une pneumonie, peut-être une fracture’ », décrit le docteur Peiffer-Smadja. Ces outils, capables d’analyser automatiquement des images, assistent les radiologues dans la détection des anomalies évidentes. Ils permettent de combler le manque de spécialistes et de sécuriser le diagnostic en temps réel, tout en respectant la supervision médicale. Pour l’instant, ces aides ne concernent que des cas simples, mais elles symbolisent un changement d’échelle dans la collaboration entre humains et machines. Cela tient à la nature même des données — les images — particulièrement adaptées à l’usage de l’IA.

    Des innovations sobres, des usages concrets

    Des applications plus modestes, issues du terrain, prouvent pourtant que l’intelligence artificielle peut s’intégrer de façon pragmatique dans les soins. L’exemple cité est celui d’Antibiogo, une application développée par Médecins Sans Frontières qui permet de photographier une boite de Petri pour obtenir un antibiogramme et générer automatiquement un résultat. « C’est de la low-tech, mais c’est génial », s’enthousiasme le clinicien. Cette solution, accessible via un simple smartphone, offre un diagnostic fiable dans des contextes où les ressources techniques sont limitées. En démocratisant l’analyse de résistance bactérienne, Antibiogo illustre la puissance d’une IA pensée pour être utile avant d’être spectaculaire. Loin des promesses d’automatisation globale, elle remplit une fonction clinique concrète — faire gagner du temps tout en limitant les erreurs humaines. Une voie réaliste, selon le praticien, pour « intégrer l’intelligence artificielle sans la survendre ».

     

  • Infections émergentes : 44 M€ mobilisés pour renforcer la surveillance et l’innovation

    • 🚨Selon l’OMS, une nouvelle maladie infectieuse apparaît chaque année dans le monde.
    • 📆En moyenne, une crise majeure liée à un virus survient tous les cinq ans (OMS).
    • 💰70 à 440 M€ : surcoût annuel estimé pour le système de santé français en lien avec l’antibiorésistance (scénarios européens comparés).
    • 📉 109,3 M€ : coût global de l’antibiorésistance en France.
    • 🏥L’antibiorésistance prolonge les durées d’hospitalisation, augmente les complications et les risques de décès même pour des infections bénignes. 70 ans de progrès médicaux menacés
    • 👨‍🔬La France mobilise les compétences du CEA, CNRS, Inserm et Institut Pasteur pour développer des outils de détection rapides (tests antigéniques, sérologiques, spectrométriques).
    • 💶44 M€ investis dans quatre plateformes de réponse aux maladies infectieuses émergentes dans le cadre de France 2030 (EMERGEN 2.0, OPEN-ReMIE, I-REIVAC Emergence, OBEPINE+).

    ⚠️Une nouvelle menace émerge chaque année selon l’OMS

    Covid-19, VIH, tuberculose, les maladies infectieuses résultent de la pénétration dans l’organisme d’agents pathogènes : bactéries, virus, parasites, champignons ou prions. Certaines sont bénignes, d’autres peuvent provoquent des pandémies.  Chaque année, une nouvelle maladie infectieuse apparaît dans le monde selon l’OMS, et l’humanité subit tous les cinq ans une crise majeure liée à un virus émergent ou réémergent. Alors que les échanges mondiaux et le changement climatique modifient leur dynamique, la recherche s’organise pour mieux comprendre, anticiper et contenir ces infections. Si la recherche a permis l’éradication de certaines d’entre elles grâce à la mise au point de vaccins spécifiques et d’antibiotiques, il reste encore beaucoup de chemin à parcourir pour que toutes ces pathologies soient traitées et pour développer des moyens de lutter contre l’ensemble des pathogènes émergents. Certaines infections restent aujourd’hui sans traitement curatif ni vaccin.

    En cinq ans, 270 projets de recherche portant sur les maladies infectieuses ont été soutenus par la Fondation pour la Recherche Médicale (FRM). Pour l’année 2024, un budget de 6,2 millions d’euros est spécifiquement alloué à ce domaine, selon la Fondation pour la Recherche Médicale (FRM).

    🚨Les infections deviennent la 3ᵉ cause de mortalité en France

    En 2022, les maladies de l’appareil respiratoire — hors Covid-19 — ont connu une progression, représentant 6,7 % de l’ensemble des décès. Elles se positionnent comme la troisième cause de mortalité dans le pays, selon les données de Santé publique France. Cette hausse s’explique en partie par la coïncidence de deux épidémies de grippe saisonnière, survenues à l’hiver 2021–2022 et à l’hiver 2022–2023, ainsi que par la circulation active d’autres virus respiratoires, notamment le virus respiratoire syncytial (VRS). Les décès touchent principalement les personnes âgées : la moitié des victimes avaient 86 ans ou plus. Par contraste, et grâce à une large couverture vaccinale, les décès dus au Covid-19 ont diminué de près d’un tiers par rapport à 2021, rétrogradant à la cinquième cause de mortalité.

    👨‍🔬Grippe : 25 à 50 % des consultations concernent les moins de 15 ans chaque saison

    En France, la grippe survient chaque année entre novembre et avril, avec un démarrage épidémique le plus souvent observé entre fin décembre et début janvier. D’une durée moyenne de 10 à 11 semaines, elle génère chaque saison entre 788 000 et 4,6 millions de consultations pour syndrome grippal, selon les données du réseau Sentinelles recueillies depuis 1984. Les enfants de moins de 15 ans représentent entre 25 % et 50 % de ces consultations, et jouent un rôle dans la transmission du virus en milieu scolaire et familial. La grippe, en constante évolution génétique, nécessite une surveillance annuelle et une adaptation régulière des vaccins en raison des mutations (glissement) ou de l’apparition de nouvelles souches (cassure) peu connues du système immunitaire.

    Une saison 2024-2025 marquée par une intensité inédite (Santé Publique France)

    Les moins de 15 ans très concernés, et la vaccination en baisse

    L’épidémie de grippe 2024-2025 a entraîné 17 600 décès en France, selon les données dévoilées le 7 octobre par Santé publique France. L’autorité sanitaire décrit une saison d’une ampleur et d’une sévérité importante, avec près de trois millions de consultations pour syndrome grippal en ville et 30 000 hospitalisations. Cette surmortalité dépasse la moyenne annuelle estimée à 10 000 décès. L’intensification de l’épidémie a été particulièrement marquée en janvier 2025 : lors de la deuxième semaine du mois, 611 des 8 368 décès enregistrés en France ont été attribués à la grippe, soit 7,3 %, un niveau jamais atteint depuis la mise en place du système de surveillance.

    L’hiver 2024-2025 s’est également caractérisé par une baisse de la couverture vaccinale, en particulier chez les personnes âgées. Fin novembre 2024, elle était estimée à 35,2 % dans la population générale, contre 38 % un an plus tôt. Chez les plus de 65 ans, elle s’élevait à 41 %, contre 42,8 % en 2023.

    💊Près de 700 prescriptions d’antibiotiques pour 1 000 habitants en 2021 malgré une tendance à la baisse

    Selon des données publiées par Santé publique France, la France a enregistré environ 700 prescriptions d’antibiotiques pour 1 000 habitants en 2021 (hors hospitalisation). Si cette consommation reste en baisse sur dix ans, elle positionne toujours le pays au 4ᵉ rang européen, derrière la Grèce, la Roumanie et la Bulgarie. Environ 80 % des prescriptions ont été réalisées en soins de ville, avec un pic observé en fin d’année, en lien avec le retour des infections hivernales courantes. L’évolution la plus notable concerne les enfants de 0 à 4 ans : leurs prescriptions d’antibiotiques ont augmenté jusqu’à retrouver un niveau équivalent à celui de 2019, avant la pandémie. À l’inverse, la tendance reste à la baisse chez les personnes âgées de 80 ans et plus, en ville comme en Ehpad.

    Méconnaissance du grand public

    L’agence de santé publique pointe également la persistance de fausses croyances : 77 % des Français pensent à tort que les antibiotiques sont efficaces contre la bronchite aiguë, 65 % en cas de bronchiolite, 55 % pour l’angine virale, et 53 % pour la grippe. Par ailleurs, plus de la moitié des sondés considèrent qu’un mal de gorge ou le besoin de reprendre le travail justifient la prise d’antibiotiques, malgré le fait que plus de 80 % des angines sont d’origine virale. Sur le sujet de l’antibiorésistance, un sondage IFOP révélait qu’un Français sur deux ne connaissait pas ou mal la notion d’antibiorésistance.

    ⚙️Vers une meilleure résilience de la chaîne d’approvisionnement

    Deux risques planent sur l’usage des antibiotiques ; l’antibiorésistance et les ruptures d’approvisionnement.

    À l’automne 2024, un rappel de flacons d’amoxicilline, destinés aux enfants et nourrissons, avait relancé les craintes d’une pénurie en pleine préparation hivernale. Si le nombre de flacons concernés était resté limité, ce retrait avait suffi à raviver les tensions dans la filière pharmaceutique. L’amoxicilline, largement utilisée pour traiter les infections courantes, avait déjà manqué durant l’hiver 2023. Médecins, pharmaciens et patients avaient encore en mémoire les semaines de pénurie qui avaient marqué l’année précédente. Malgré les ajustements logistiques et les efforts de distribution, le moindre défaut d’approvisionnement faisait redouter un retour à une situation de forte tension.

    La pandémie de Covid-19 a mis en lumière les vulnérabilités des chaînes d’approvisionnement en médicaments, y compris pour les antibiotiques. Plusieurs facteurs concourent à leur indisponibilité : complexité industrielle, arrêt de production, retrait d’autorisations de mise sur le marché ou désintérêt économique pour des molécules anciennes mais indispensables.

    Le Programme d’Appui à la Réforme Structurelle (PARS), devenu Instrument d’appui technique (Technical Support Instrument – TSI), reflète l’engagement de la France dans la lutte contre les pénuries d’antibiotiques. Cofinancé par l’Union européenne, ce projet s’inscrit dans une approche “Une seule santé” (One Health), intégrant les dimensions humaines, animale et environnementale. L’objectif est d’identifier et de mettre en œuvre des mesures pilotes pour résoudre les difficultés d’accès à certains antibiotiques dont le brevet est tombé dans le domaine public. Ces produits, essentiels en médecine humaine comme vétérinaire, sont de plus en plus concernés par des ruptures d’approvisionnement.

    L’indisponibilité de certains antibiotiques conduit à l’usage de traitements de deuxième intention, potentiellement moins efficaces, plus toxiques, et à risque plus élevé de sélection de bactéries résistantes. Le projet français vise donc à élaborer des mesures pour sécuriser l’accès à ces médicaments tout en poursuivant les objectifs de réduction de la consommation globale d’antibiotiques, dans le cadre de la stratégie nationale de lutte contre l’antibiorésistance.

    🚑 Antibiorésistance : 130 000 infections en France et 5 500 décès annuels recensés

    Jusqu’à 238 000 décès liés à l’antibiorésistance d’ici 2050 selon l’OCDE

    Car le second enjeu est bien celui-ci. L’antibiorésistance s’était affirmée comme une menace majeure pour la santé publique, en France comme dans le monde. En cause : un usage massif, souvent inapproprié, des antibiotiques en santé humaine et animale. Ces traitements perdaient en efficacité face à des bactéries devenues capables de leur résister. Selon une étude de 2019, plus de 130 000 infections dues à des bactéries résistantes avaient été recensées en France en 2016. L’ECDC estimait à 120 000 le nombre de cas annuels en France, avec plus de 5 500 décès associés. À l’échelle européenne, environ 35 000 décès par an étaient attribués à des infections résistantes, un impact comparable à celui de la grippe, du VIH et de la tuberculose réunis.

    D’après l’OCDE, si aucune action n’était prise, l’antibiorésistance pourrait faire 2,4 millions de morts cumulés entre 2015 et 2050 en Europe, Amérique du Nord et Australie. En France, on projetait jusqu’à 238 000 décès d’ici 2050 (OMS).

    💶Un impact économique supérieur à 1,5 milliard d’euros en Europe chaque année

    Sur le plan économique, la surconsommation d’antibiotiques engendrait chaque année un surcoût estimé entre 70 et 440 millions d’euros pour le système de santé français, selon les scénarios de comparaison européens. Une étude évaluait à 109,3 millions d’euros le coût global de l’antibiorésistance pour la France en 2015. À l’échelle mondiale, les projections de la Banque mondiale (2016) faisaient état d’un possible effondrement du PIB mondial compris entre -1,1 % et -3,8 % par an d’ici 2050. Le coût total pour l’économie mondiale pourrait atteindre 100 000 milliards de dollars.

    🏥 70 ans de progrès médicaux menacés

    L’antibiorésistance menaçait directement les avancées médicales des 70 dernières années. Chirurgie, greffes, réanimation, néonatalogie, chimiothérapie : toutes ces pratiques reposaient sur une prophylaxie antibiotique efficace. À mesure que les traitements devenaient inopérants, le risque infectieux associé à chaque geste médical augmentait. Dans les faits, l’inefficacité croissante des antibiotiques allongeait la durée des maladies, multipliait les complications, forçait à multiplier les consultations et les traitements, et augmentait les risques de mortalité, même pour des infections auparavant bénignes.

    🔍Une diversité d’agents pathogènes sous surveillance

    La France dispose d’une expertise reconnue en microbiologie et en biotechnologie. Au CEA, au CNRS, à l’Institut Pasteur ou à l’Inserm, les équipes développent des outils de détection rapide des agents pathogènes : tests antigéniques, sérologiques ou spectrométriques. Le projet VIRUSCAN par exemple, conduit au CEA, explore des procédés de tri cellulaire permettant d’identifier plus efficacement les virus dans des échantillons biologiques. Ces innovations complètent la surveillance clinique assurée par le réseau des laboratoires hospitaliers et les plateformes de santé publique numérique, qui exploitent des données en temps réel pour détecter précocement les signaux d’alerte. En parallèle, la recherche française participe aux efforts internationaux de développement vaccinal. Le CEA a notamment contribué à la validation d’un vaccin vivant atténué à injection unique contre le virus chikungunya, aujourd’hui testé dans plusieurs pays.

    Vers une stratégie intégrée de prévention

    L’approche « Une seule santé » (One Health), promue par les institutions françaises et européennes, encourage une vision systémique reliant santé humaine, animale et environnementale.
    Cette stratégie combine la recherche fondamentale, la veille numérique, la modélisation épidémiologique et la coopération internationale. Elle vise à mieux anticiper les crises infectieuses et à adapter les politiques de santé publique dans un contexte de changement global.

    Une vigilance épidémiologique constante

    La surveillance de la grippe en France repose sur un réseau coordonné d’acteurs : Santé publique France, le réseau Sentinelles, le Centre national de référence (CNR) des virus respiratoires et les données issues de la veille hospitalière. Ce dispositif permet d’identifier précocement les souches circulantes, d’ajuster la composition des vaccins saisonniers et d’alerter les structures de soins en cas de hausse des cas. En contexte de co-circulation virale (notamment avec la Covid-19 ou le VRS), cette vigilance est essentielle pour anticiper les tensions hospitalières hivernales et adapter les mesures et plans de prévention, notamment en direction des publics à risque.

    📋L’exemple de la Bronchiolite : activation du plan ORSAN face à une épidémie nationale étendue

    Face à une épidémie de bronchiolite d’une intensité inédite, le ministre de la Santé François Braun avait déclenché en novembre 2022 le plan ORSAN dans l’ensemble des hôpitaux français, pour mobiliser les ressources sanitaires sur tout le territoire. Ce dispositif, prévu pour les situations sanitaires exceptionnelles, avait été activé alors que les indicateurs de Santé publique France montraient une hausse de 47 % des passages aux urgences et de 45 % des hospitalisations chez les enfants de moins de deux ans en une semaine. Pilotées par les agences régionales de santé (ARS), les mesures mises en œuvre visaient à structurer l’offre de soins à l’échelle locale, en mobilisant les acteurs publics et privés, en adaptant les capacités hospitalières, en renforçant la permanence des soins de ville et en procédant au rappel de personnel et à l’ouverture de lits supplémentaires. Les autorités sanitaires avaient également invité les familles à éviter les urgences en l’absence de signe de gravité, pour limiter la surcharge des hôpitaux déjà fragilisés par la crise sanitaire. En parallèle, plusieurs laboratoires, dont Pfizer, avaient poursuivi des essais cliniques en vue de développer un vaccin préventif contre le virus respiratoire syncytial, principal agent de la bronchiolite.

    🏦44 M€ pour renforcer les capacités de réponse aux maladies infectieuses émergentes

    Lancée dans le cadre de France 2030, la stratégie nationale Maladies infectieuses émergentes (MIE) – menaces NRBC (nucléaires, radiologiques, biologiques, chimiques) mobilise plusieurs ministères et organismes de recherche autour d’un objectif commun : renforcer la préparation systémique aux futures crises sanitaires. Dotée d’un budget dédié, elle articule recherche, innovation, industrialisation et formation dans une approche interdisciplinaire, inscrite dans le principe « One Health ».

    Surveillance, essais, détection : quatre plateformes structurent la réponse française aux menaces infectieuses

    Quatre plateformes bénéficient d’un financement total de 44 M€ pour consolider les capacités nationales de réponse :

    • EMERGEN 2.0 (12 M€), coordonnée par Inserm/ANRS-MIE, SpF et Anses, étend le dispositif de surveillance génomique du SARS-CoV-2 à d’autres pathogènes émergents, en s’appuyant sur les réseaux hospitaliers et le réseau des CNR.
    • OPEN-ReMIE (10 M€), porté par l’Inserm/ANRS-MIE et les Hospices Civils de Lyon, organise la recherche clinique interventionnelle, en lien avec les réseaux européens et internationaux.
    • I-REIVAC Emergence (12 M€), porté par l’ANRS-MIE et l’AP-HP, renforce les capacités d’essais vaccinaux rapides dans un cadre académique ou industriel.
    • OBEPINE+ (10 M€), porté par Sorbonne Université et 22 partenaires, développe une plateforme de détection épidémiologique via les eaux usées, intégrée au dispositif national de surveillance.

    Deux PEPR pilotent les volets scientifiques de la stratégie MIE

    La stratégie s’appuie sur deux Programmes et équipements prioritaires de recherche (PEPR) complémentaires :

    • Le PEPR PREZODE (IRD, Cirad, Inrae), orienté vers la prévention primaire des zoonoses, développe des approches co-construites avec les acteurs de terrain. Il explore les liens entre activités humaines, changements globaux et émergence de pathogènes. Deux appels à projets sont en cours sur la surveillance (7 M€) et la réduction du risque (7 M€).
    • Le PEPR MIE, piloté par l’Inserm via l’ANRS-MIE, cible la compréhension, la prévention et le contrôle des maladies émergentes. Un premier appel à projets (22 M€) a permis de soutenir 11 projets ; un second est en cours de sélection, un troisième est prévu en 2025. De futurs appels porteront sur le développement de modèles animaux et de plateformes antivirales.

    Un dispositif d’innovation pour accélérer le transfert vers l’économie

    Le consortium CATRIEM, coordonné par Inserm Transfert et la SATT Pulsalys, organise l’accompagnement de projets issus de la recherche publique. Depuis 2023, neuf projets ciblant des pathogènes prioritaires (dengue, grippe, Nipah, Zika, etc.) ont été financés, avec pour finalité la création de start-up, le transfert technologique et le développement de produits thérapeutiques ou préventifs. Un appel à manifestation d’intérêt lancé en 2024 cible également les projets ultramarins et ceux liés aux menaces NRBC.

    Des formations interdisciplinaires pour renforcer les compétences sur les MIE

    Face au déficit de spécialistes et au cloisonnement disciplinaire, deux Écoles universitaires de recherche (EUR) ont été mises en place dans le cadre de l’appel « Compétences et métiers d’avenir » :

    • UNITEID (Université Toulouse III – Paul Sabatier), financée à hauteur de 5,5 M€, propose une offre pluridisciplinaire de formation sur les MIE, intégrant essais cliniques, bioinformatique, épidémiologie, santé animale et santé publique. Le démarrage des formations est prévu en 2025.
    • EID@Lyon, pilotée par un consortium académique et industriel, met en place une formation diplômante, un cycle de formation continue pour décideurs publics (Institut One Health), et un centre de simulation opérationnel en 2025.

    Prochaines étapes : élargissement, coordination, rayonnement

    Trois ans après le lancement de la stratégie nationale Maladies infectieuses émergentes, la journée du 30 septembre 2024 à Montpellier a permis de faire le point sur plusieurs recommandations pour les années à venir :

    • Élargir l’écosystème en intégrant de nouveaux acteurs et compétences, notamment issus du secteur privé.
    • Développer des modèles économiques adaptés au marché spécifique des MIE et menaces NRBC.
    • Améliorer la coordination des structures impliquées dans la réponse sanitaire.
    • Accélérer l’intégration de la santé humaine et animale dans l’industrie, en cohérence avec une approche « One Health ».
    • Renforcer la visibilité et le positionnement de la France au sein des initiatives européennes et internationales.

    Les organisateurs ont confirmé la volonté de poursuivre l’effort collectif engagé, en misant sur la continuité des financements et l’agilité des dispositifs pour répondre aux menaces à venir.

    🌍Une approche intégrée face au climat et aux risques infectieux émergents

    D’ici 2030, la moitié de la population mondiale pourrait être exposée à la dengue, alerte l’OMS

    Enfin, le changement climatique modifie les dynamiques d’émergence et de diffusion des maladies infectieuses. Selon le 6ᵉ rapport d’évaluation du GIEC (2022), plus de 58 % des maladies infectieuses recensées à l’échelle mondiale seraient déjà exacerbées par les impacts du changement climatique (par exemple via la prolifération des vecteurs, les déplacements de populations ou la dégradation des systèmes d’eau potable). L’augmentation des températures, la fréquence accrue des événements extrêmes (inondations, sécheresses), et la transformation des écosystèmes naturels favorisent la circulation de pathogènes dans des zones jusque-là peu exposées. Les maladies vectorielles et hydriques sont particulièrement concernées. L’OMS prévoit par exemple que d’ici 2030, la moitié de la population mondiale pourrait être exposée à la dengue.

    Pour anticiper ces évolutions, des outils de modélisation spatiale sont mobilisés. Le programme Epiclim, un projet interdisciplinaire qui croise données climatiques, environnementales, sanitaires et démographiques pour établir des cartographies dynamiques des zones à risque. Ces cartes permettent d’identifier les conditions locales propices à l’émergence de foyers infectieux, par exemple là où coïncident précipitations intenses, densité humaine et pauvreté des infrastructures de santé.

    L’épidémiologie intègre environnement et comportements pour modéliser les risques 

    L’épidémiologie s’adapte à ces nouvelles réalités. Elle intègre désormais des variables environnementales, mais aussi des facteurs socio-comportementaux — comme les usages de l’eau, les mobilités quotidiennes ou les pratiques agricoles — afin de produire des modèles prédictifs opérationnels. Ces modèles servent à la décision publique, en orientant par exemple les campagnes de vaccination ciblées, les politiques de lutte antivectorielle ou les actions de prévention dans les zones identifiées comme vulnérables.

    Cette approche intégrée s’inscrit pleinement dans le paradigme « One Health », désormais structurant dans la réponse aux maladies infectieuses émergentes. Elle implique une collaboration étroite entre climatologues, épidémiologistes, écologues, urbanistes et autorités sanitaires.

  • 187 études soulignent l’impact transversal de l’IA sur les maladies infectieuses (revue de littérature)

    Un corpus mondial de 187 articles couvrant diagnostics, biomarqueurs et surveillance épidémique

    L’intelligence artificielle (IA) transforme progressivement l’ensemble du cycle de prévention et de prise en charge des maladies infectieuses. Pour en évaluer l’étendue et la diversité, nous avons analysé 187 articles scientifiques publiés en 2025 portant sur l’application de l’IA à la détection, la surveillance, la prévention et le traitement des maladies infectieuses. Ces travaux sont issus de revues internationales de premier plan telles que

    • Lancet Infectious Diseases (Howard et al., 2025 ; Black et al., 2025 ; Odone et al., 2025 ; Miglietta et al., 2025) ;
    • Infectious Diseases Reports (Querido et al., 2025) ;
    • Frontiers in Veterinary Science (Wen et al., 2025) ;
    • Mechanobiology and Medicine (Wang et al., 2025) ;
    • Current Microbiology (Krishnappa et al., 2025) ;
    • ACS Omega (Venkatachalam et al., 2025) ;
    • ou encore Infectious Diseases Therapy (Guzman-Holst et al., 2025).

    Les équipes proviennent d’institutions situées en Europe (Université de Liverpool, Université de Pavia, Imperial College London), en Amérique du Nord (Université de Pennsylvanie, Boston University), en Asie (Université de ShanghaiTech, Université médicale de Guangzhou, Université agricole du Hebei) et en Afrique (Makerere University en Ouganda, programmes « One Health » au Cameroun).

    L’objectif de cet article est de présenter une synthèse des résultats majeurs, d’identifier les tendances dominantes et de discuter les implications pour les professionnels de santé et les dirigeants du secteur de la santé numérique.

    Des bases de données allant jusqu’à 12 000 patients et des modèles IA de plus en plus complexes

    L’émergence de l’IA en infectiologie répond à une complexification de la prise en charge et de la surveillance des maladies infectieuses, dans un contexte d’interconnexion mondiale et de multiplication des données cliniques, épidémiologiques et « omics ». Les articles s’accordent à souligner le potentiel de l’IA pour :

    • accélérer le diagnostic par l’analyse automatisée et l’intégration des données issues de l’imagerie, de la biologie ou du langage clinique ;
    • développer des outils prédictifs robustes pour la gravité des infections, la réponse au traitement, ou les issues cliniques à partir de grands jeux de données structurés et non-structurés ;
    • optimiser la surveillance épidémiologique, grâce à des modèles d’alerte précoce fondés sur le machine learning ou le deep learning ;
    • soutenir la découverte de médicaments (drug discovery) et l’identification de nouvelles cibles thérapeutiques ou de nouveaux vaccins.

    Les articles analysés mobilisent des données cliniques, de santé publique et de recherche fondamentale. Les cohortes varient de grandes bases de données (12 000 patients dans l’étude sur la COVID-19 publiée dans J Med Internet Research [Boud et Hussein, 2025]) à des ensembles plus ciblés comme l’étude de Querido et al. (2025) portant sur 82 transplantés rénaux suivis pour le Torque Teno Virus.

    Les méthodes recouvrent l’apprentissage supervisé (régressions logistiques, arbres de décision, XGBoost, LightGBM), les réseaux de neurones profonds (transformers, CNN, multimodal fusion), l’apprentissage non supervisé et les approches hybrides combinant géostatistique et machine learning (Utazi et al., 2025). Certains travaux intègrent des modèles explicables et des validations croisées (Krishnappa et al., 2025), d’autres appliquent des pipelines automatisés à grande échelle pour le criblage moléculaire (Hassan et al., 2025).

    Synthèse des résultats clés

    De 60 % à 85 % de précision : l’IA améliore le dépistage et la prédiction des issues cliniques

    Les publications mettent en avant des cas d’usage de l’IA dans l’amélioration des diagnostics et des pronostics. Wen et al. (2025) montrent qu’un système multimodal combinant traitement automatique du langage, augmentation d’images et réseaux CNN détecte six types de gastro-entérites porcines avec une précision supérieure aux approches traditionnelles. Miglietta et al. (2025) synthétisent les preuves disponibles sur l’IA appliquée au diagnostic des maladies infectieuses humaines, soulignant des gains de rapidité et d’exactitude dans la détection des pathogènes, la surveillance en temps réel et l’optimisation des flux de laboratoire.

    L’approche radiomique se développe également : Luo et al. (2025) prédisent les événements hépatiques chez des patients porteurs d’une fibrose liée au virus de l’hépatite B en analysant des séries d’IRM longitudinales avec un modèle multitâche.

    Dans le domaine pronostique, Huang et al. (2025) développent un modèle XGBoost pour prédire la survie à 5 ans de 381 patients atteints de lymphome cutané T associé au VIH avec une AUC de 0,867 et de faibles scores de Brier, montrant l’intérêt de l’IA pour la personnalisation des décisions thérapeutiques.

    Par ailleurs, des systèmes de tests diagnostiques automatisés (SERS-LFIA) combinant intelligence artificielle et détection Raman affichent une précision de 94,5% sur les données de test pour les infections virales hautement pathogènes.

    De nouvelles cibles identifiées par IA dans les polymérases virales et la découverte d’antibiotiques

    L’IA peut aussi être un levier face à la résistance antimicrobienne. Howard et al. (2025) décrivent son potentiel dans la découverte de nouveaux antibiotiques, l’amélioration du suivi et la mise en œuvre de programmes de stewardship. Masmoudi et al. (2025) illustrent comment un ajustement du ratio d’imbalance dans les jeux de données améliore l’efficacité des algorithmes IA de découverte médicamenteuse contre les agents infectieux. Les travaux de Wang et al. (2025) mettent en évidence des poches allostériques inédites dans les polymérases des virus de la rougeole et de Nipah par cryo-EM, ouvrant la voie à des inhibiteurs non nucléosidiques identifiés via IA. Ces approches réduisent le temps et le coût du développement thérapeutique.

    Des cartes à 1×1 km pour cibler la couverture vaccinale et des incidences RSV allant jusqu’à 178/1000 personnes-années

    Black et al. (2025) soulignent l’apport de l’IA dans le développement des vaccins contre les maladies infectieuses, qu’il s’agisse d’optimiser les essais cliniques ou de modéliser l’efficacité. Utazi et al. (2025) démontrent que les méthodes géostatistiques et machine learning produisent des cartes de couverture vaccinale à 1×1 km permettant d’identifier des zones sous-desservies au Nigeria. Guzman-Holst et al. (2025), à travers une revue systématique IA-assistée de 77 études sur le virus respiratoire syncytial (VRS), montrent des incidences allant de 10 à 178 épisodes pour 1 000 personnes-années chez les ≥65 ans et des taux de létalité jusqu’à 27 % chez les plus de 60 ans dans certains contextes.

    10 domaines stratégiques où l’IA renforce la préparation aux pandémies

    Trump et al. (2025) recensent dix domaines dans lesquels l’IA peut renforcer la préparation et la réponse aux pandémies, notamment l’alerte précoce, la modélisation épidémiologique et l’optimisation des interventions non pharmaceutiques. Wu et al. (2025) développent un modèle transformeur combinant données multi-sources pour améliorer les prévisions d’épidémies virales. Asonganyi et al. (2025) évaluent l’acceptabilité de l’IA et du concept « One Health » pour les soins à domicile dans les régions du Sud-Ouest et du Littoral au Cameroun, soulignant l’importance des facteurs socioculturels et de la préparation communautaire.

    Un seuil de 5,16 log10 cp/mL du Torque Teno Virus prédit le risque infectieux

    Plusieurs études identifient des biomarqueurs virologiques et immunitaires à l’aide de l’IA. Querido et al. (2025) montrent que la charge du Torque Teno Virus ≥5,16 log10 cp/mL prédit le risque infectieux chez les transplantés rénaux avec 60 % de sensibilité et 81 % de spécificité, valeurs améliorées par un modèle IA. Krishnappa et al. (2025) mettent en évidence 20 gènes auto-antigéniques liés à l’infection par le Chikungunya et impliqués dans la pathologie articulaire. Chen et al. (2025) identifient CD79A et GADD45A comme biomarqueurs immunitaires de la gravité du VRS chez l’enfant, validés cliniquement.

    Exemples de performance de modèles IA en infectiologie

    Domaine Modèle IA/ML utilisé Indicateur clé (AUC, précision, etc.) Population/jeu de données Référence APA
    Prédiction mortalité COVID-19 Random Forest, SHAP AUC 0,95 validation non-hospitalisés 11 975 patients, Espagne Ruiz Giardin JM et al., 2025 (J Med Internet Res)
    Diagnostic VIH Random Forest + NLP AUC 0,79 7 340 patients Ridgway JP et al., 2025 (JAMIA Open)
    Sévérité RSV enfants SVM AUC 0,950 220 enfants Chen JJ et al., 2025 (Front Immunol)
    Design vaccinal Deep Learning, immunoinformatique Réduction temps design (d/jours) Multiples bases séquences Bhattacharya M et al., 2025 (Mol Ther Nucleic Acids)
    Prédiction résistances RF, SVM, boosting AUC 0,85-0,92 Bases surveillance mondiale Sahoo A et al., 2025 (Curr Med Chem), Valavarasu S et al., 2025 (Sci Rep)

     

    Former les professionnels et harmoniser les données pour concrétiser les bénéfices de l’IA

    L’analyse transversale des 187 articles publiés en 2025 met en avant la présence de l’IA dans les maladies infectieuses. Les gains d’efficacité diagnostique et pronostique sont confirmés y compris dans des contextes à ressources limitées. Les approches multimodales et explicables favorisent l’intégration de données hétérogènes et l’identification de signatures biologiques pertinentes.

    Cependant, plusieurs publications attirent l’attention sur les défis techniques, éthiques et réglementaires. Odone et al. (2025) proposent un cadre conceptuel reliant IA, recherche, santé publique et pratique clinique, en soulignant les barrières normatives et éthiques. Sahoo et al. (2025) insistent sur la nécessité de former les professionnels de santé aux systèmes IA et de renforcer les capacités d’infrastructure, notamment dans les pays à revenu faible et intermédiaire. La question de l’équité dans l’accès aux données et aux technologies reste centrale pour éviter d’accentuer les disparités diagnostiques relevées par Miglietta et al. (2025).

    Les apports tangibles sur le plan clinique, organisationnel et technologique sont majeurs mais doivent être consolidés par des efforts accrus d’interopérabilité, de transparence et de formation des utilisateurs. Le secteur devra relever les défis de validation multicentrique, d’acceptabilité éthique et de gouvernance adaptée pour offrir une approche réellement personnalisée et sécuritaire, à même de répondre aux enjeux d’aujourd’hui.

    Bibliographie

    • Asonganyi EA, Tanue EA, Kwalar GI, Kibu OD, Ondua M, Sandeu MM, Ngono Ema PJ, Nkweteyim D, Nyamsi ML, Achankeng PL, Tchapga C, Ayuk J, Halle-Ekane GE, Kong JD, Nsagha DS. (2025). Preparedness of the Local Population for the Uptake of Artificial Intelligence and Digital One Health for Home Healthcare of Emerging and Reemerging Infectious Diseases in Southwest and Littoral Regions of Cameroon. J Trop Med., 2025:8896234. doi:10.1155/jotm/8896234. PMID: 40873668; PMCID: PMC12380506.
    • Black S, Madhi SA, Rappuoli R. (2025). Artificial intelligence in the development of vaccines for infectious diseases. Lancet Infect Dis., Sep 16:S1473-3099(25)00497-9. doi:10.1016/S1473-3099(25)00497-9. PMID: 40972629.
    • Boud A, Hussein I. (2025). Significant Risks and Responsibilities in the Clinical Use of AI Predictive Models. Comment on: “AI Predictive Model of Mortality and Intensive Care Unit Admission in the COVID-19 Pandemic: Retrospective Population Cohort Study of 12,000 Patients”. J Med Internet Res., 27:e81251. doi:10.2196/81251. PMID: 40934514.
    • Chen JJ, Lu ZZ, Jing YX, Nong XM, Qin Y, Huang JY, Lin N, Wei J. (2025). CD79A and GADD45A as novel immune-related biomarkers for respiratory syncytial virus severity in children: an integrated machine learning analysis and clinical validation. Front Immunol., 16:1609183. doi:10.3389/fimmu.2025.1609183. PMID: 40677720; PMCID: PMC12267186.
    • Guzman-Holst A, Gupta D, Kaur A, Verma V, Berzanskis A, Penders Y, Van Oorschot DAM. (2025). Respiratory Syncytial Virus Epidemiology and Clinical Burden in High-Risk and ≥50-Year-Old Adults in Low- to Middle-Income Countries: An Artificial-Intelligence-Enabled Systematic Literature Review. Infect Dis Ther., 2025 Sep 5. doi:10.1007/s40121-025-01220-4. PMID: 40913225.
    • Hassan AM, Bajrai LH, El-Daly MM, Alandijany TA, Gattan HS, Alsaady IM, Faizo AA, Dwivedi VD, Azhar EI. (2025). Machine learning-aided identification of natural compounds targeting Marburg virus VP40 with potential antiviral activity. J Biomol Struct Dyn., 43(12):6402-6418. doi:10.1080/07391102.2024.2435634. PMID: 39628088.
    • Howard A, Reza N, Green PL, Yin M, Duffy E, Mwandumba HC, Gerada A, Hope W. (2025). Artificial intelligence and infectious diseases: tackling antimicrobial resistance, from personalised care to antibiotic discovery. Lancet Infect Dis., Sep 16:S1473-3099(25)00313-5. doi:10.1016/S1473-3099(25)00313-5. PMID: 40972630.
    • Huang W, Tian M, Jia L, Ai J, Gan J, Chen J, Chen L, Zhang Y. (2025). Machine learning-based prognostic model for human immunodeficiency virus-associated cutaneous T-cell lymphoma: A Surveillance, Epidemiology, and End Results database analysis. J Int Med Res., 53(9):3000605251359433. doi:10.1177/03000605251359433. PMID: 40921703.
    • Krishnappa CM, Govindaswamy S, Ganjiwale A. (2025). Deciphering Autoantigen Signatures in Chikungunya Virus Infection Using Machine Learning: A Data-Driven Approach to Understand Host Immunity. Curr Microbiol., 82(11):501. doi:10.1007/s00284-025-04489-3. PMID: 40954348.
    • Luo Y, Luo Q, Wu Y, Zhang S, Ren H, Wang X, Liu X, Yang Q, Xu W, Wu Q, Li Y. (2025). MRI-based machine-learning radiomics of the liver to predict liver-related events in hepatitis B virus-associated fibrosis. Eur Radiol Exp., 9(1):81. doi:10.1186/s41747-025-00602-0. PMID: 40864355.
    • Miglietta L, Rawson TM, Galiwango R, Tasker A, Ming DK, Akogo D, Ferreyra C, Aboagye EO, Gordon NC, Garcia-Vidal C, Rodriguez-Manzano J, Holmes AH. (2025). Artificial intelligence and infectious disease diagnostics: state of the art and future perspectives. Lancet Infect Dis., Sep 16:S1473-3099(25)00354-8. doi:10.1016/S1473-3099(25)00354-8. PMID: 40972627.
    • Odone A, Barbati C, Amadasi S, Schultz T, Resnik DB. (2025). Artificial intelligence and infectious diseases: an evidence-driven conceptual framework for research, public health, and clinical practice. Lancet Infect Dis., Sep 16:S1473-3099(25)00412-8. doi:10.1016/S1473-3099(25)00412-8. PMID: 40972628.
    • Querido S, Ramalhete L, Gomes P, Weigert A. (2025). Torque Teno Virus as a Biomarker for Infection Risk in Kidney Transplant Recipients: A Machine Learning-Enabled Cohort Study. Infect Dis Rep., 17(5):107. doi:10.3390/idr17050107. PMID: 40981327.
    • Sahoo A, Singh J, Alam K, Alruwaili NK, Aodah A, Almalki WH, Almujri SS, Alrobaian M, Barkat MA, Singh T, Lal JA, Rahman M. (2025). Medical Artificial Intelligence: Opportunities and Challenges In Infectious Disease Management. Curr Med Chem., Aug 19. doi:10.2174/0109298673390868250728103906. PMID: 40917030.
    • Trump BD, Galaitsi S, Cegan J, Linkov I. (2025). How Will AI Shape the Future of Pandemic Response? Early Clues From Data Analytics. Risk Anal., Sep 10. doi:10.1111/risa.70103. PMID: 40926588.
    • Utazi CE, Yankey O, Chaudhuri S, Olowe ID, Danovaro-Holliday MC, Lazar AN, Tatem AJ. (2025). Geostatistical and machine learning approaches for high-resolution mapping of vaccination coverage. Spat Spatiotemporal Epidemiol., 54:100744. doi:10.1016/j.sste.2025.100744. PMID: 40935503.
    • Wang Y, Zhao L, Zhang H. (2025). Allosteric pockets in the measles and Nipah virus polymerases: Mechanobiological insights and AI-driven drug discovery opportunities. Mechanobiol Med., 3(4):100156. doi:10.1016/j.mbm.2025.100156. PMID: 40978313.
    • Wen H, Shi H, Yu J, Fan Z, Dai H, Jiang L, Song Q. (2025). An intelligent diagnostic method for porcine gastrointestinal infectious diseases based on multimodal AI and large language model. Front Vet Sci., 12:1660745. doi:10.3389/fvets.2025.1660745. PMID: 40979363.
    • Wu J, Tanim S, Woo M, Ahammed T, Rennert L. (2025). Enhancing Pandemic Prediction: A Deep Learning Approach Using Transformer Neural Networks and Multi-Source Data Fusion for Infectious Disease Forecasting. medRxiv [Preprint], Jun 24:2025.06.24.25330211. doi:10.1101/2025.06.24.25330211. PMID: 40666360.

    Annexe : sélection du corpus sur PubMed

    Afin de garantir l’exhaustivité et la représentativité des travaux analysés, une requête ciblée a été effectuée sur PubMed en septembre 2025 avec les critères suivants :

    ((“AI”[Title] OR “artificial intelligence”[Title] OR “machine learning”[Title] OR “deep learning”[Title] OR “large language model”[Title])) AND ((“infectious”[Title] OR “germ”[Title] OR “virus”[Title] OR “contagious”[Title] OR “cluster”[Title] OR “pandemic”[Title] OR “vaccination”[Title] OR “antibiotic resistance”[Title] OR “Flu”[Title] OR “nosocomial”[Title]))

    Cette requête a permis de constituer un corpus de 187 articles scientifiques, exclusivement centrés sur l’intégration de l’intelligence artificielle, du machine learning ou des modèles de langage dans le domaine des maladies infectieuses, de la résistance antibiotique, de la vaccination et des contextes épidémiques ou nosocomiaux. Les résultats incluent des études portant sur le diagnostic, la modélisation épidémiologique, la surveillance, le développement thérapeutique ou vaccinal, ainsi que l’analyse de données issues de contextes variés (biologie, réseaux sociaux, systèmes hospitaliers).

    Tous les articles analysés dans la synthèse proviennent donc de cette sélection spécifique et répondent rigoureusement aux critères ci-dessus, assurant la pertinence scientifique et l’actualité des résultats présentés.