Jumeaux numériques en santé : entre fantasme technologique et révolution silencieuse
Détecter le développement d’une pathologie plusieurs années avant qu’elle ne se déclare : c’est la promesse des jumeaux numériques dans le secteur de la santé. Ce concept, cependant, englobe des réalités variées. Lors de la table ronde organisée par Bpifrance et Futura à SantExpo 2026, des experts ont souligné les enjeux terminologiques liés à cette technologie. Lionel Reichardt, fondateur de Pharmageek, a précisé que « seulement 12 % des publications sur le jumeau numérique correspondent réellement à un jumeau numérique tel qu’il est défini par l’Académie des sciences aux États-Unis ». Les autres cas relèvent de modèles prédictifs, utiles mais distincts.
La nuance entre le Digital Shadow, où le patient fournit des données sans retour, et le Digital Twin, qui nécessite une communication bilatérale, est cruciale. Ce dernier permet de modifier la prise en charge du patient grâce aux prédictions générées.
Vers une médecine du care plutôt que du cure
Les applications des jumeaux numériques incluent la simulation de l’évolution tumorale, la modélisation d’organes avant une intervention chirurgicale, et la préparation d’opérations complexes. Des projets à l’échelle populationnelle, tels que simuler l’effet d’une campagne antitabac, sont également en développement. Lionel Reichardt a noté que « nous sommes en train de passer du cure, où l’on traite une maladie après son apparition, à une logique de care, anticipant ce qui pourrait arriver ».
Cependant, la radiologue Laure Fournier, cheffe de service à l’Hôpital Européen Georges-Pompidou, a mis en avant les inégalités d’accès aux soins numériques. Elle a souligné qu’il existe des populations non représentées dans les algorithmes, ce qui pose des problèmes lors de leur utilisation pour des dépistages, par exemple, du cancer du sein.
Qualité, hétérogénéité et biais des données : des obstacles structurels
La qualité des données est essentielle pour le développement des jumeaux numériques. En santé, chaque patient peut avoir jusqu’à 300 variables dans le Système national des données de santé (SNDS), mais pour un apprentissage fiable d’une IA, il faudrait 100 fois plus de lignes que de variables. Jérôme Vetillard, VP R&D de la startup Qualees, évoque le « marécage » de l’entraînement des IA, précisant qu’il faut au moins 30 000 lignes pour 300 variables, une exigence que la plupart des cohortes cliniques ne peuvent pas satisfaire.
Laure Fournier a également mentionné l’hétérogénéité des données cliniques et les non-dits dans les comptes rendus médicaux, qui compliquent davantage la situation.
Le modèle économique du jumeau numérique
Un autre défi réside dans le modèle économique. Le système de tarification à l’activité (T2A) récompense les actes réalisés, alors que la médecine prédictive vise à éviter des hospitalisations. Jérôme Vétillard a résumé : « J’évite des hospitalisations grâce à la médecine prédictive, mais je retire du budget aux hôpitaux qui sont payés quand quelqu’un occupe le lit ».
La question de la responsabilité reste également en suspens. L’Académie de médecine affirme que le médecin reste responsable, mais cette responsabilité devient plus complexe avec l’automatisation croissante des outils. Laure Fournier a souligné que « l’humain doit toujours valider l’IA », mais qui est cet humain ?
Conclusion
Les jumeaux numériques représentent un potentiel immense pour la médecine prédictive, mais de nombreux défis doivent être surmontés pour qu’ils puissent être intégrés efficacement dans le système de santé. La qualité des données, l’accès aux soins et le modèle économique sont autant de questions qui nécessitent une attention particulière.
Article rédigé en partenariat avec Bpifrance.
