Editeur

  • Medtronic obtient l’autorisation de la FDA pour son vêtement de cartographie cardiaque

    La société Medtronic a annoncé le 1er février 2017 avoir reçu l’autorisation de la FDA pour la mise sur le marché de son système non invasif de cartographie cardiaque en 3D « CardioInsight ».

    Habituellement la cartographie cardiaque est effectuée dans un cadre clinique et nécessite une intervention sous anesthésie. Cela consiste à insérer un cathéter dans le cœur via une artère ou une veine et permet notamment aux médecins de repérer l’origine d’une irrégularité du rythme cardiaque : l’arythmie.

    Le dispositif mis au point par Medtronic vise à permettre de cartographier un panel d’arythmies.
    Constitué d’un gilet équipé de 252 électrodes faisant office de capteurs, ce système combine les signaux ECG (électriques) et les signaux de tomodensitométrie (anatomie du torse), ce qui permet d’obtenir une carte « électro-anatomique » en 3D du cœur.

    Medtronic explique qu’ainsi les 2 oreillettes et les 2 ventricules sont analysés de façon continue et simultanée et qu’un seul battement suffit pour réaliser la cartographie cardiaque.

    La société précise que le système mis au point précédemment avait été utilisé par plus de 1 600 patients et avait  fait l’objet de plus de 120 publications.

    Medtronic espère améliorer le confort du patient et faciliter le processus et la planification de la procédure clinique.

  • Imagerie : l’IA va seconder et non remplacer les radiologues (American Journal of Radiology)

    Le machine learning va seconder les radiologues et non les remplacer, telle est la conclusion d’un article à paraître dans l’édition d’avril 2017 de l’American Journal of Radiology. En effet, la création des programmes, l’apprentissage par les machines et leur surveillance sont d’une telle complexité que leur réussite nécessitera une forte implication des radiologues.

    Une utilisation actuelle source de dilemmes et d’incertitudes juridiques pour l’avenir

    Le machine learning en imagerie aujourd’hui

    Le monde de la radiologie utilise de plus en plus de technologies intégrant des formes d’intelligence artificielle telles que le machine learning (ML). Ce sous-ensemble de l’IA permet d’aborder des problèmes complexes à résoudre pour les humains en transférant une partie de la charge dans un algorithme. 

    Les programmes de machine learning apprennent par l’entraînement: ils reçoivent des exemples dont les résultats sont connus et notent la différence entre leurs prévisions et les résultats corrects. La qualité des prédictions s’améliore avec l’expérience.

    Deux types d’algorithmes sont utilisés en radiologie:

    • Les Support Vector Machines (SVM), qui, une fois « entraînés », ont une marge de progression plus rapide, mais sont moins précis au départ (pour 100 données, elles ont 25% de bonnes réponses) ;
    • Les Convolutional Neural Networks (CNN), qui ont une marge de progression moins rapide mais démarrent avec 73% de bonnes réponses pour 100 données.

    Les programmes de machine learning peuvent être supervisés ou non. Ils le sont généralement en imagerie. Dans un programme supervisé, les données sont identifiées avant que le modèle soit entraîné. En effet, le succès des résultats repose sur des prédictions clairement prédéfinies. Dans le cas des programmes non supervisés, les données non identifiées sont exposées à l’algorithme dans le but de les organiser. 

    La connaissance des statistiques joue un rôle majeur dans le machine learning car elles créent des ensembles d’hypothèses sur des paramètres, des non-paramètres et des semi-paramètres. Ils proviennent d’une donnée observée et sont appliqués à une nouvelle donnée, sur laquelle la prédiction sera faite. Une bonne connaissance des statistiques est donc nécessaire pour éviter des biais tels que des biais de randomisation.

    Les limites éthiques et juridiques de ces avancées

    Les auteurs de l’article identifient certains problèmes persistants dans le machine learning en imagerie :

    • Premièrement, il n’est pas toujours aisé de comprendre comment le machine learning qualifie et organise ses données.
    • Pour le moment, les algorithmes sont utilisés dans des situations très contrôlées mais on ne sait pas comment les choses se passeront lorsqu’ils seront distribués largement. Les codes de programmation devront-ils rester les mêmes ou pourront-ils être modifiables?
    • Quelles autorités pourront donner des certitudes de viabilité et d’efficacité? Qui délivre l’autorisation de mise sur le marché?
    • En ce qui concerne les logiciels utilisés pour des actions successives, par exemple la prise en charge d’un patient, des problèmes éthiques peuvent survenir. Par exemple, le paramètre du prix d’une thérapie peut rentrer en compte dans les recommandations de l’algorithme en fonction des ressources du patient.
    • Enfin, le problème de la responsabilité en cas d’erreur reste peu clair: qui prend en charge les erreurs? L’algorithme, les programmateurs, le médecin, l’entreprise?

    Des enjeux majeurs en imagerie

    Les atouts du machine learning en imagerie

    Le machine learning peut permettre d’analyser des données qui nécessitent un travail fastidieux et des connaissances d’experts. Plus il absorbe de données, plus le succès du machine learning est garanti.

    Il peut donc surpasser les logiciels d’aide au diagnostic, qui analysent la présence ou l’absence d’éléments associés à une maladie dans une image. Avec le machine learning, les champs d’application sont plus spécifiques et peuvent détecter des caractéristiques très peu connues.

    Enfin, le machine learning peut permettre d’augmenter le champ des connaissances dans un domaine précis.

    Renforcer les compétences des radiologues en informatique et en statistique

    Selon les auteurs de l’article dans l’American Journal of Radiology, le machine learning va permettre d’améliorer fortement les connaissances en imagerie, et va constituer la deuxième révolution du domaine après l’imagerie sectionnelle. 

    Cependant, son champ d’application reste étroit, et sa complexité fait que « les radiologues ne sont pas près d’être remplacés » par le Machine Learning. Les auteurs appellent donc les radiologues à renforcer leurs connaissances en matière de statistiques et d’informatique afin de superviser les résultats obtenus grâce au machine learning.

  • Imagerie : un logiciel d’Arterys basé sur le deep learning autorisé par la FDA en contexte clinique

    La société Arterys a annoncé le 9 janvier 2017 avoir reçu l’autorisation de mise sur le marché de la FDA pour son logiciel d’imagerie médicale (IRM) cardiaque, Arterys Cardio DL, qui constitue un outil d’aide à l’interprétation d’imagerie dans un contexte clinique.

    Cette solution logicielle a également obtenu le marquage CE fin décembre 2016.

    Selon Arterys, il s’agit du premier logiciel exploitant le cloud computing et le deep learning à être autorisé dans un cadre clinique.

    Le logiciel d’Arterys a été développé en utilisant des données issues de plusieurs milliers de cas cliniques cardiaques. Son algorithme a ensuite été configuré en s’appuyant sur la technique du deep learning. Les données traitées sont stockées en cloud, et le logiciel est « Zero Footprint », c’est-à-dire qu’il n’a pas besoin d’être installé sur l’ordinateur de l’utilisateur.

    En pratique, Arterys Cardio DL fournit automatiquement des représentations visuelles modifiables de segmentations ventriculaires à partir d’IRM cardiaques classiques : il délimite automatiquement, avec précision et en quelques secondes, les contours des ventricules cardiaques, ce qui permet d’observer et d’évaluer l’état de la fonction ventriculaire d’un patient.

    Les résultats obtenus à l’aide du logiciel sont aussi précis que ceux établis manuellement par des praticiens expérimentés et permettent une automatisation du processus d’analyse.

    Par ailleurs, Arterys a mis au point une plateforme d’annotation clinique qui vise à recueillir les nouvelles données générées à chaque utilisation.

    Cette application logicielle illustre la perspective d’aide pouvant être apportée aux médecins grâce à la combinaison de la technique du deep learning et de la « cloud supercomputation », qui associe grande capacité et haute rapidité de traitement informatique.

  • Prévention du diabète et obésité : un dispositif médical comme alternative à la chirurgie (INRA)

    Rétablir la sensibilité à l’insuline chez les personnes obèses sans passer par une opération chirurgicale lourde, tel est l’objectif du dispositif médical mis au point par des chercheurs de l’Inra en collaboration avec la société Axonic.

    Ce dispositif, qui couple des solutions innovantes de chirurgie par cœlioscopie, de micro-électronique et d’imagerie de pointe, permet un retour à la normale du métabolisme du glucose et donc d’éviter la résistance à l’insuline conduisant au diabète de type II.

    Les résultats de l’étude des chercheurs de l’Inra, « Obesity-associated alterations in glucose metabolism are reversed by chronic bilateral stimulation of the abdominal vagus nerve » ont été publiés dans la revue Diabetes 2017 .

    L’implantation d’une neuroprothèse préventive, dispositif alternatif à une chirurgie bariatrique lourde

    Il existe dans la communauté scientifique un consensus estimant que le rétablissement et/ou le maintien de la sensibilité à l’insuline constitue un pré-requis à la prévention du diabète.

    Les chercheurs ont conçu une alternative à la chirurgie bariatrique en couplant chirurgie minimalement invasive par cœliochirurgie, outils de micro-électronique et investigations d’imagerie métabolique quantitative par tomographie d’émission positronique.

    La stratégie thérapeutique élaborée par les chercheurs consiste à stimuler électriquement le nerf vague au niveau de l’abdomen : le dispositif mis au point est constitué d’électrodes qui sont placées sur le nerf et connectées à un boîtier de stimulation sous-cutané.

    Chez le modèle animal, cette stimulation conduit au retour à la normale du métabolisme du glucose, et ce de manière durable, en dépit d’une perte de poids.

    Perspective

    Afin de pouvoir concevoir une application concrète au bénéfice des patients, les méthodes d’implantation ont été développées dans un esprit translationnel, de l’animal à l’homme.

    La neuroprothèse est actuellement en phase de validation vis à vis des standards européens des dispositifs médicaux.

    Cette solution fait l’objet d’un brevet international entre l’Inra et la société Axonic.

    Le travail porté par l’unité AniScan de l’Inra s’appuie sur une collaboration industrielle soutenue par le programme Investissements d’Avenir INTENSE.

  • Atlanstic 2020 : « Défis d’entreprises » , favoriser la coopération entre entrepreneurs & chercheurs

    Atlanstic 2020, l’organisme fédérant l’écosystème des sciences du numérique en Pays de la Loire, a lancé le 20 janvier 2017 l’appel à projets « Défis d’entreprises » visant à soutenir des travaux de recherche appliquée en réponse à un défi exprimé par une entreprise et portant sur un domaine d’innovation stratégique.

    L’objectif est de construire une chaîne de valeur complète – depuis la recherche jusqu’à l’industrie – dans le domaine des sciences du numérique et de leurs usages à travers la réalisation d’un démonstrateur – preuve de concept (TRL 3 max) illustrant la production de connaissances nouvelles et/ou le développement de nouveaux usages du numérique.

    Les défis scientifiques et/ou technologiques exprimés par les entreprises doivent comporter des verrous scientifiques et relever des compétences d’un des laboratoires de recherche partenaires d’Atlanstic 2020.

    Le soutien financier est dimensionné de manière à permettre le financement environnementé d’un ingénieur de recherche ou d’un post-doc.
    Le montant maximum sera de 100 000 € et la durée du projet de 24 mois maximum

    Les défis puis les projets doivent être déposés sur le site www.univ-angers.fr/RFI-atlanstic2020

    L’ambition collective

    • Rayonner au niveau international en informatique et cybernétique via 5 domaines d’excellence :
      • sciences des données
      • les systèmes complexes
      • les contenus et les interactions
      • les sciences du logiciel
      • la robotique
    • Développer le lien avec les usagers et les marchés du numérique en encourageant les recherches transdisciplinaires et collaboratives aux interfaces des STIC avec la santé, les SHS, l’éducation, la mécanique, l’électronique et l’énergie.

    Les 6 domaines d’innovation stratégiques identifiés

    • Santé du futur
    • Objets connectés
    • Ville intelligente
    • Green IT
    • Industrie du futur
    • Accompagnement de l’apprentissage en informatique

    Calendrier

    • 20 janvier 2017 : lancement de l’appel à projets « Défis d’entreprise »
    • 3 mars 2017 : soumission des défis
    • 14 mars 2017 : sélection des défis par les entreprises
    • 23 mars 2017 : forum Présentation des défis aux laboratoires de recherche
    • 23 mai 2017 : dépôt du dossier complet
    • 9 juin 2017 : notification de la décision de poursuite de procédure
    • 23 juin 2017 : audition des porteurs
    • 30 juin 2017 : notification des lauréats

    Critères de sélection

    • Excellence scientifique du projet avec identification claire des verrous
    • Caractère original et novateur du projet avec un élément discriminant pour le territoire
    • Réalisation d’une preuve de concept à la fin du projet
    • Impact attendu en termes de visibilité et de rayonnement académique
    • Participation de l’entreprise au projet
    • Étape suivante envisagée : création de start-up, dépôt d’un dossier H2020, FTI, FUI etc.

    Critères d’éligibilité

    • Toute entreprise peut soumettre un défi.
    • La réponse au défi doit être proposée par un membre d’un laboratoire de recherche et employé par l’un des établissements partenaires
    • Le porteur peut associer des partenaires de l’écosystème ligérien, signataires ou non de la convention, ainsi que des partenaires hors région (ces derniers ne pourront toutefois par bénéficier de la subvention)

  • Cancérologie : le projet OncoSNIPE bénéficie d’une aide de 7,7 M€ dans le cadre du PIA

    7,7 M€, tel est le montant de l’aide dont bénéficiera le projet OncoSNIPE de la biotech Oncodesign, spécialisée dans la recherche de nouvelles thérapies contre le cancer, dans le cadre du Programme d’investissements d’avenir (PIA) opéré par BPIfrance, annoncent les deux structures le 7 février 2017.

    Ce projet repose sur la constitution d’un consortium hospitalo-universitaire et industriel ayant pour objectif de développer des outils de diagnostic et de rechercher de nouvelles cibles thérapeutiques.

    Doté d’un budget global de 12 M€, OncoSNIPE bénéficie d’un financement à hauteur de 7,7 M€ de fonds publics dans le cadre de l’appel à projets « Projets Structurants des pôles de compétitivité » (PSPC) du PIA.

    L’objectif est de développer et de mettre en œuvre des approches bio-informatiques en s’appuyant sur des méthodologies basées notamment sur l’IA et l’apprentissage statistique, afin d’identifier et de caractériser les patients résistants aux traitements anti-cancéreux. L’identification de nouvelles cibles vise à optimiser l’orientation de la R&D vers des solutions thérapeutiques spécifiques.

    D’une durée de 4 ans, ce projet est piloté et coordonné par Oncodesign.
    Il est porté par 4 partenaires industriels : Expert System en Italie, Sword à Lyon, Acobiom à Montpellier et Oncodesign à Dijon; et 3 institutions académiques : les Hôpitaux Universitaires de Strasbourg, le Centre Georges-François Leclerc de Dijon et l’Institut Paoli-Calmettes de Marseille, ces deux derniers étant des centres de lutte contre le cancer.

    3 types de cancers sont ciblés par ce projet: sein, pancréas et poumon.
    Il est par ailleurs prévu que 800 patients soient pris en charge par les partenaires académiques, dans le cadre d’un suivi d’étude clinique.

  • Santé mentale : un prototype de coach social basé sur l’IA

    Des chercheurs du Massachusetts Institute of Technology ont mis au point un dispositif connecté permettant d’analyser le ton des conversations entre individus; ils rendent compte de leurs résultats dans la revue du MIT publiée le 1er février 2017.

    Établi à l’aide d’une solution d’intelligence artificielle, ce dispositif pourrait devenir un « coach social » pour les personnes souffrant de troubles comme l’anxiété ou le syndrome d’Asperger (forme d’autisme sans déficience intellectuelle ni retard de langage) pour qui certaines situations sociales peuvent s’avérer très stressantes.

    En combinant des données audio et physiologiques à un système de deep-learning, les chercheurs du MIT’s Computer Science and Artificial Intelligence Laboratory (CASIL) et de l’Institute of Medical Engineering and Science (IMES) espèrent pouvoir bientôt fournir un « coach social » d’IA à chaque individu portant le bracelet connecté qu’ils ont élaboré.

    Un système de décodage des conversations

    Ce système vise à analyser en temps réel et grâce à la technique du deep-learning les modes de parole, le langage corporel et les signaux physiologiques dans l’optique de déterminer le ton général d’une conversation entre individus, d’établir un « score de sentiment » et de classer ainsi le ton émotionnel des différents interlocuteurs.

    Fonctionnement

    Le capteur intégré au dispositif connecté permet de mesurer différentes caractéristiques : mouvement, fréquence cardiaque, tension artérielle, débit sanguin et température de la peau. Les données audio, la transcription des textes, l’énergie et le vocabulaire du locuteur sont également analysés afin d’établir la nature globale de la conversation.

    Selon les chercheurs, l’analyse combinée de l’ensemble de ces paramètres permet de déterminer avec un taux de fiabilité de 83% le ton des propos tenus par une personne lors d’une discussion.

    Tuka Alhanai, co-auteur de l’article paru dans la revue du MIT, évoque une « technologie pouvant prendre le pouls des émotions humaines ».

    2 algorithmes d’analyse « entraînés »

    Les chercheurs ont enregistré 31 conversations différentes de plusieurs minutes puis entraîné deux algorithmes à classer les données collectées : le premier établissait la nature de la conversation : heureuse ou triste, le second analysait et déterminait le « statut » de chaque intervalle de 5 secondes en 3 catégories d’humeur : positive, négative ou neutre.

    Chercheur et IA : des observations similaires, une supériorité d’analyse de l’IA

    Les résultats obtenus par les algorithmes étaient semblables à ceux obtenus par les humains : par exemple une longue pause et un ton monotone étaient associés à une histoire triste alors qu’un discours énergique et varié était associé à une histoire plutôt heureuse. Les résultats étaient également identiques pour le langage corporel.

    Perspective

    Les chercheurs du MIT prévoient d’améliorer leur prototype en augmentant le nombre d’interlocuteurs d’une conversation: la collecte de données serait ainsi réalisée à plus grande échelle, notamment avec les dispositifs commercialisés de type montre connectée, et leur croisement permettrait d’approfondir la recherche.

    Ils précisent souhaiter développer leur solution en respectant l’intimité de l’usager : l’algorithme recueille « localement » les données sur le dispositif de l’usager, ce dernier ayant été informé du protocole et ayant fourni son consentement.

  • Cancérologie : l’AP-HP fait le bilan des innovations dans ses établissements

    « Innovation en cancérologie », tel était le thème de la journée organisée par l’AP-HP à l’Institut Imagine le 31 janvier 2017. L’AP-HP a présenté lors de cet événement les avancées essentielles réalisées dans la prise en charge du cancer, qu’il s’agisse d’innovation organisationnelle, dans le suivi ou la thérapeutique.

    Les 8 axes thématiques de l’innovation en cancérologie

    L’AP-HP a identifié 8 axes thématiques d’innovation en cancérologie dans ses établissements.

    L’innovation organisationnelle

    L’AP-HP s’est appuyée sur deux exemples illustrant ce domaine :

    • l’évaluation médico-économique de la prise en charge des cancers de l’endomètre en ambulatoire,
    • lles pôles sport et cancer dans quatre établissements AP-HP.

    Innovation dans l’après-cancer

    L’AP-HP a présenté deux cas répondant à la question « Comment réduire les séquelles de la maladie ? »:

    • la plateforme de préservation de la fertilité à l’AP-HP,
    • la reconstruction maxillo-faciale.

    Innovation diagnostique : le développement des diagnostics rapides

    La réussite de deux projets hospitaliers réussis a été exposée :

    • Hôpital Beaujon : création en février 2017 d’un centre de diagnostic rapide des tumeurs du pancréas et du foie (Hepatic and Pancreatic Evaluation = HOPE),
    • Hôpital Paul Brousse : diagnostic rapide du cancer du foie.

    Innovation chirurgicale : vers une chirurgie moins invasive

    L’AP-HP a rappelé les succès permis par les progrès chirurgicaux innovants :

    • HEGP : chirurgie robotisée en gynécologie: 1ère hystérectomie robot-assistée en 2005,
    • Hôpital Tenon : réhabilitation améliorée après la chirurgie thoracique,
    • Pitié-Salpêtrière : apports des ultrasons dans les tumeurs cérébrales.

    Innovation en imagerie médicale : les nouvelles techniques

    Les nouvelles pratiques d’imagerie & les premiers résultats obtenus ont été relatés, notamment:

    • l’imagerie interventionnelle oncologique,
    • de premières expériences de TEP-IRM à la Pitié-Salpétrière.

    Innovation en biologie moléculaire : de la recherche aux soins

    L’AP-HP a insisté sur l’importance de la prise en charge à un niveau génétique en citant notamment :

    • les Réunions de Concertation Pluridisciplinaire moléculaire et NGS Haut débit,
    • la plateforme de signature génomique de l’Hôpital Saint-Louis.

    Innovation en oncologie médicale : l’accès aux nouvelles molécules

    L’APH-HP a souligné la nécessité de faciliter l’accès aux médicaments de pointe en revenant sur :

    • l’accès aux médicaments innovants chez l’adulte, le modèle des CLIPPs, à l’Hôpital Saint-Louis ;
    • l’accès aux médicaments innovants chez l’enfant,
    • l’avancement lié à la recherche en oncologie.

    Poursuite de la déclinaison du plan cancer III : des progrès majeurs

    • En 2015, l’AP-HP a pris en charge près de 59 000 patients pour un cancer, dont 38 000 nouveaux patients. Cela représente environ un tiers des patients d’Île-de-France et une augmentation de 3,5% par rapport à 2014.
    • L’accès à la recherche clinique (essais en oncologie) a progressé de 45% entre 2014 et 2015.
    • « 4 territoires cancer AP-HP » visent à permettre le poursuite du développement de la structuration de l’activité de cancérologie : les parcours de soins sont mieux structurés, notamment en termes de lien avec les autres acteurs de territoires et selon une approche par thématique d’organe.
    • Une plateforme de préservation de la fertilité a été mise en place. Elle permet à tout malade concerné un accès à une consultation, sous 48h et 365 jours par an (adulte et enfant). Elle offre également aux patientes, traitées ou non à l’AP-HP, une possibilité de reconstruction mammaire, sans reste à charge. 6 référentiels communs de prise en charge ont été élaborés.
    • Visibilité internationale : sur la période 2011-2015, l’AP-HP se situe au 13è rang mondial avec 5 115 publications recensées sur un total de 360 328 publications en oncologie.

    Principaux résultats entre 2014 et 2016

    • Les délais pour une première consultation en oncologie médicale ont diminué de 7 jours et ceux pour la radiothérapie de 5 jours. Plusieurs centres de diagnostic rapide (sein, colon, poumon, foie, pancréas) ont été ouverts dans les hôpitaux du réseau AP-HP.
    • 24 M€ ont été investis pour moderniser les équipements de radiothérapie (gamma et cyberknife) ou d’imagerie (TEP, IRM).

    • En juillet 2016, un accord de partenariat a été signé avec IntegraGen pour développer des solutions de séquençage à très haut débit. Par ailleurs, afin de répondre à l’appel d’offres France Génomique 2025, l’AP-HP a noué un partenariat avec les instituts Gustave Roussy, Curie et Imagine pour proposer une plateforme génomique.

  • Le développement de l’ambulatoire en cancérologie : un enjeu pour les patients et les établissements

    Dans l’étude « Quelle prise en charge des cancers en 2020 ? » réalisée en 2013, Unicancer identifie six évolutions structurantes dans la prise en charge de la cancérologie d’ici 2020. Deux d’entre elles illustrent le déplacement de la prise en charge des patients hors des murs de l’hôpital. Il s’agit de la chirurgie ambulatoire et de la chimiothérapie à domicile.

    Vers la chirurgie ambulatoire

    La chirurgie ambulatoire est fortement encouragée par les pouvoirs publics. C’est désormais un enjeu majeur tant pour les établissements de santé que pour les patients. Elle suppose une organisation logistique en interne et une bonne articulation avec l’amont et l’aval.

    Avec une activité débutée en 1995, l’Institut Cancérologique de l’Ouest (ICO) Jean Bernard fait figure de pionnier avec un taux qui a dépassé les 57% dans la chirurgie du sein au premier semestre 2016. 22% des mastectomies ont été réalisées en ambulatoire en 2015, alors que cette activité n’a démarré qu’en 2013.

    …et la chimiothérapie à domicile

    Le développement des chimiothérapies orales et des thérapies ciblées, dont une partie pourra être administrée par voie orale, figure également parmi les évolutions repérées par Unicancer. En 2020, les patients continueront à être traités par chimiothérapie sous forme intraveineuse, mais certains d’entre eux recevront en plus des lignes de traitements oraux, notamment ceux présentant des maladies métastatiques. D’ici à 2020, la proportion de traitements médicamenteux par voie orale pourrait passer des 25 % actuels à 50 %, et les chimiothérapies intraveineuses diminuer de 25 %, selon Unicancer.

    Ces tendances se traduisent par une augmentation des prises en charge à domicile et de fréquents allers-retours ville-hôpital. Une bonne coordination entre les équipes hospitalières, les professionnels de premier recours et le patient lui-même apparaît plus que jamais indispensable. De leur côté,les patients mieux informés se veulent de vrais acteurs de leur maladie en s’impliquant dans sa prise en charge. Dans les deux cas, l’avenir passe par le recours aux technologies du numérique.

  • Le numérique et la cancérologie « hors les murs »

    La prise en charge en cancérologie a évolué de manière considérable ces dernières années. Un véritable changement de paradigme. Le malade passe de moins en moins de temps à l’hôpital avec le développement de la chirurgie ambulatoire ou de nouvelles techniques de radiothérapie. Des thérapies ciblées et des chimiothérapies sont de plus en plus souvent administrées par voie orale à domicile.

    Le parcours de soins longtemps centré sur l’hôpital se déroule désormais principalement en dehors. Des évolutions qui manquent aujourd’hui d’un réel accompagnement numérique.