Etude

  • Infrastructure, adoption, bénéfices : les trois fractures de l’IA en santé entre territoires

    Une étude conceptuelle portugaise, publiée le 16 septembre 2026 dans la revue Systems (MDPI), distingue trois fractures qui creusent les écarts de santé entre territoires : l’infrastructure de données, l’adoption de l’IA et les bénéfices pour les patients. Elle propose un cadre en cinq couches, de la gouvernance de l’équité territoriale à l’évaluation continue, et cinq priorités pour le service national de santé portugais, alignées sur le calendrier de l’espace européen des données de santé (EHDS). Ses auteurs sont Gabriel Osório de Barros (Iscte-IUL) et João Condeixa, chercheur indépendant.

    Pourquoi cela compte : selon les auteurs, la transformation numérique ne réduirait les inégalités territoriales que si elle est explicitement orientée vers les besoins des territoires ; à défaut, elle les renforcerait. Avant les obligations EHDS de 2029, la vigilance porte sur la répartition des investissements et la mesure de leurs effets par territoire.

    L’EHDS, un calendrier à mettre au service de la convergence

    Le règlement (UE) 2025/327 s’applique à partir du 26 mars 2027, avec des obligations échelonnées. À partir du 26 mars 2029, il couvre les synthèses patient, les prescriptions et dispensations électroniques ainsi que les systèmes de dossiers de santé correspondants ; le volet sur l’usage secondaire des données s’applique à la même date. À partir du 26 mars 2031, il s’étend à l’imagerie, aux résultats d’examens et aux comptes rendus de sortie.

    Selon une étude antérieure citée par les auteurs, le Portugal restait dépourvu de cadre commun d’interopérabilité. Ils recommandent de traiter l’échéancier 2027-2029-2031 comme l’occasion d’harmoniser les standards et d’éviter que les bénéfices se concentrent dans les structures les plus matures. L’interopérabilité y est décrite comme multidimensionnelle : technique, sémantique, organisationnelle, juridique, et territoriale, via la complétude des données.

    Trois fractures qui plaident pour des financements modulés

    L’étude distingue trois fractures qui se cumulent :

    • Une fracture d’infrastructure : connectivité, systèmes interopérables, qualité des données.
    • Une fracture d’adoption de l’IA : compétences et moyens pour valider et intégrer les outils.
    • Une fracture de bénéfices, lorsque l’adoption ne se traduit pas par des délais plus courts ou une meilleure continuité des soins.

    Les auteurs s’appuient notamment sur une prépublication consacrée aux hôpitaux américains. Selon celle-ci, la capacité d’interopérabilité serait le premier prédicteur de l’adoption de l’IA, devant la taille ou les ressources financières, et les établissements des zones favorisées l’adopteraient davantage. Les auteurs en concluent que l’équité ne consiste pas à investir moins dans les hôpitaux les plus performants, mais à proportionner le soutien au besoin et au niveau de maturité. Cela passe par des infrastructures nationales mutualisées, un renforcement ciblé des compétences et un transfert de savoir-faire depuis les établissements les plus avancés.

    Mesurer les écarts plutôt que l’adoption

    Selon l’étude, les dispositifs de suivi portent généralement sur les taux de déploiement, qui renseignent peu sur la réduction des écarts. Les auteurs proposent des indicateurs ventilés par territoire :

    • Disponibilité des informations cliniques clés entre niveaux de soins.
    • Examens redondants évitables.
    • Délais d’orientation et d’attente.
    • Continuité des soins.
    • Complétude et actualité des dossiers partagés.

    Ils signalent aussi qu’un financement au résultat sans ajustement sur le risque clinique et social pourrait pénaliser les structures prenant en charge des populations plus âgées ou plus précaires.

    Le cadre reste une proposition : les auteurs indiquent qu’il n’a fait l’objet ni de validation empirique ni de modélisation formelle, les données portugaises servant de test de plausibilité. L’article déclare les fonctions des auteurs chez PLANAPP, centre portugais de planification et d’évaluation des politiques publiques, et chez Johnson & Johnson.

    Ce que cela change
    Pour les ARS et les financeurs publics : les programmes de financement du numérique pourraient être modulés selon la maturité des établissements et les besoins des territoires, plutôt que répartis de manière uniforme.
    Pour les directions d’établissements et de GHT : cartographier dès maintenant la maturité par catégorie de données visée en 2029 et en 2031 aiderait à cibler l’accompagnement.
    Pour les éditeurs de logiciels et les HealthTech : outre les exigences EHDS de 2029, des résultats ventilés par territoire pourraient devenir un élément attendu des dossiers de preuve.

    Source : Iscte-IUL, G. Osório de Barros et J. Condeixa, « Reducing Regional Inequalities in Healthcare Systems Through Data, Interoperability and Artificial Intelligence: An Equity-Oriented Systemic Framework », Systems (MDPI), vol. 14, art. 1162 (16 septembre 2026) · fiabilité : publication évaluée par les pairs · https://doi.org/10.3390/systems14091162

  • Aphasie primaire progressive : une analyse vocale de 1 à 2 minutes distingue les sous-types

    Des chercheurs de l’University of California San Francisco (UCSF) ont publié en août 2026 dans JAMA Neurology les résultats d’une étude sur l’analyse automatisée de la parole chez des patients atteints d’aphasie primaire progressive. À partir d’enregistrements vocaux de une à deux minutes, au cours desquels les patients décrivaient un dessin, l’algorithme a généré des profils de phrasé distincts pour les trois formes cliniques de la maladie : non-fluente/agrammatique, sémantique et logopénique. Les auteurs concluent que cette méthode produit des profils interprétables, pouvant servir d’aide au diagnostic différentiel et au suivi clinique.

    Pourquoi cela compte : cette étude s’attaque à un vrai goulot d’étranglement clinique. Le diagnostic différentiel des trois sous-types d’APP repose aujourd’hui sur des évaluations d’experts (neurologues du langage, orthophonistes spécialisés en troubles cognitivo-linguistiques) qui prennent du temps et restent concentrées dans un nombre restreint de centres. Hors de ces centres experts, l’accès à une classification fiable est limité, ce qui retarde la prise en charge et l’orientation thérapeutique des patients.

    Le protocole testé par l’équipe de l’UCSF tranche avec cette lourdeur : une à deux minutes d’enregistrement vocal, obtenues à partir d’un exercice simple de description d’image, suffisent à alimenter l’algorithme. Comparée à une évaluation neuropsychologique complète, qui mobilise plusieurs heures de passation et de cotation par un professionnel formé, cette approche constitue un protocole frugal, standardisable et duplicable à grande échelle.

    Cette frugalité illustre un mouvement plus large de l’IA appliquée à la santé : le passage d’une IA diagnostique « lourde », fondée sur l’imagerie cérébrale ou les biomarqueurs biologiques (liquide céphalo-rachidien, imagerie TEP), à une IA « légère », peu coûteuse et facilement embarquable dans des outils du quotidien, une téléconsultation, un cabinet de ville, voire un suivi à domicile. Un tel outil vocal ne nécessite ni équipement lourd ni déplacement du patient vers un centre spécialisé, ce qui ouvre la voie à un usage en dépistage de première ligne, avant orientation vers l’expertise neurologique.

    Cette étude reste néanmoins une preuve de concept : elle démontre la faisabilité de générer des profils distincts, mais ne constitue pas une validation clinique en conditions réelles ni une comparaison chiffrée à la classification experte de référence. Sa transposition à une patientèle francophone, dont les marqueurs prosodiques et lexicaux diffèrent de l’anglais, reste également à démontrer.

    Source : JAMA Neurology – Automated Speech Analysis to Identify Clinical, Anatomical, and Pathological Variants of Primary Progressive Aphasia – Août 2026 – fiabilité : publication évaluée par les pairs.