IA, données synthétiques, jumeaux numériques en santé… Qui fait quoi ?

Résumé : Intelligence artificielle, données synthétiques, simulation et jumeaux numériques ne désignent pas la même chose : ils interviennent à des étapes différentes d’une même chaîne de modélisation. À partir d’un exemple d’étude en vie réelle, cet article montre comment passer des données observées à un jumeau numérique populationnel capable de simuler des scénarios et d’être continuellement mis à jour grâce aux nouvelles données.

L’exemple d’une étude en vie réelle sur l’adhérence à un traitement

Les études en vie réelle produisent aujourd’hui des données de plus en plus riches : caractéristiques des patients, traitements prescrits, observance, mesures cliniques, événements de santé et trajectoires de soins.

Ces données permettent de décrire ce qui s’est passé. Mais peuvent-elles aussi aider à anticiper l’évolution des patients, à explorer des scénarios thérapeutiques alternatifs ou à construire un véritable jumeau numérique ?

Les termes intelligence artificielle, patient virtuel, données synthétiques, simulation, jumeau numérique… sont souvent employés indistinctement. Pourtant, ils ne désignent pas les mêmes objets et ne répondent pas aux mêmes questions.

Imaginons une cohorte de patients pour lesquels nous disposons de plusieurs types de données (caractéristiques cliniques au début du suivi, traitement prescrit et dose administrée, niveau d’adhérence au traitement, mesures régulières d’un indicateur clinique, événements intervenus pendant le suivi…). L’analyse statistique de ces données peut montrer une relation entre l’adhérence et l’évolution clinique. Elle ne répond cependant pas nécessairement à toutes les questions des chercheurs ou des décideurs :

Quel résultat peut-on attendre pour un nouveau patient ?
À quoi ressemblerait une population comparable, mais plus importante ?
Comment les patients pourraient-ils évoluer au-delà de la période observée ?
Que se serait-il passé si leur adhérence avait été différente ?
Comment mettre à jour les projections lorsque de nouvelles données deviennent disponibles ?

Selon la question, le recours à l’intelligence artificielle, à la simulation ou au jumeau numérique ne joue pas le même rôle.

Dans nos précédents articles, nous avons montré qu’un modèle utile ne se résume ni à une représentation graphique ni à un algorithme appliqué automatiquement à des données. Il doit être construit à partir d’une question précise, représenter de manière suffisamment fidèle le système étudié, puis être validé et évalué avant de pouvoir éclairer une décision. Cette démarche (1) modéliser, (2) valider, (3) simuler et (4) optimiser constitue le fil conducteur des travaux présentés dans les précédents articles de ce blog.

Dans cet article, nous reprenons cette même logique dans le contexte d’une étude en vie réelle. À partir d’une cohorte de patients suivis au cours du temps, nous montrons comment les données peuvent servir à construire un modèle, à vérifier sa capacité à reproduire des trajectoires réellement observées, puis à explorer des scénarios alternatifs. Ce cas permet surtout de clarifier le rôle respectif de l’intelligence artificielle, de la génération de patients virtuels, de la simulation et du jumeau numérique : des approches complémentaires, mais qui n’interviennent ni au même moment ni pour répondre à la même question.

L’intelligence artificielle apprend à partir des données observées

Dans un premier temps, les données de la cohorte peuvent servir à construire un modèle prédictif.

Celui-ci cherche à apprendre les relations statistiques entre les caractéristiques des patients, leur exposition au traitement et les résultats observés. Il peut par exemple estimer l’évolution probable d’un indicateur clinique à un an ou identifier les variables les plus associées à une bonne réponse.

Le Machine Learning peut alors répondre à une question comme :

Compte tenu de ce que nous avons observé dans la cohorte, quel résultat paraît le plus probable pour ce patient ?

Ces méthodes peuvent également être utilisées pour segmenter les patients ou repérer différents profils de réponse, comme cela a déjà été décrit dans notre précédent article.

Générer des patients virtuels

Certaines approches statistiques ou d’intelligence artificielle générative permettent d’aller plus loin et de créer une cohorte virtuelle.

Le principe consiste à apprendre la distribution des caractéristiques observées dans la cohorte réelle, puis à générer de nouveaux profils statistiquement cohérents avec celle-ci.

Il est ainsi possible de créer des patients virtuels présentant, par exemple :

un âge plausible ;
un état clinique initial cohérent ;
un niveau d’adhérence ;
une dose de traitement ;
certaines caractéristiques biologiques ou médicales ;
des combinaisons de variables proches de celles observées en vie réelle.

Des méthodes classiques de génération statistique peuvent être utilisées, mais également des techniques de Deep Learning, telles que les Variational Autoencoders (une méthode d’IA générative capable de créer de nouveaux profils ressemblant statistiquement aux données d’origine), selon les caractéristiques et le volume des données disponibles.

Données synthétiques, patients virtuels et cohorte virtuelle
Les données synthétiques sont des données générées artificiellement pour reproduire certaines propriétés statistiques de données réelles. Lorsqu’elles décrivent un individu cohérent (caractéristiques initiales, traitement, événements, résultats…) elles peuvent constituer un patient virtuel. Un ensemble de patients virtuels forme une cohorte virtuelle.

La figure ci-dessous présente une cohorte de patients suivie pendant 10 ans. Ce suivi a permis de collecter les données à différents moments : au début (t₀), au milieu (t₀+5 ans), et à la fin (t₀+10 ans). A partir des ces données collectées à ces différents points dans le temps, il est possible d’entraîner des modèles de machine learning permettant de générer de nouveaux patients qui vont « ressembler » aux patients issues de l’étude.

Un patient virtuel n’est pas encore un jumeau numérique

À ce stade, le patient virtuel est surtout un profil de données plausible.

Il ressemble statistiquement aux individus de la cohorte d’origine, mais il ne possède pas nécessairement une trajectoire dynamique. Rien ne permet encore de déterminer comment son état évoluera au cours des cinq ou dix prochaines années.

On peut donc retenir la distinction suivante :

L’intelligence artificielle peut apprendre à quoi ressemblent les patients et prédire certains résultats. Elle ne constitue pas, à elle seule, un modèle complet de leur évolution dans le temps.

La simulation fait évoluer les patients dans le temps

Pour appliquer une approche de simulation et explorer les trajectoires futures, il est nécessaire de disposer d’un modèle dynamique. Ce modèle décrit la manière dont l’état d’un patient évolue au cours du temps en fonction de ses caractéristiques, de son traitement, de son adhérence et, éventuellement, d’événements extérieurs.

Ce modèle peut être développé de manière empirique à partir des caractéristiques du problème réel, ou bien il est possible d’avoir recours à un formalisme de modélisation existant. Par exemple, un modèle mécanistique (un modèle décrivant explicitement les mécanismes supposés gouverner l’évolution clinique) sera adapté pour représenter l’évolution dynamique d’une pathologie, tandis qu’un modèle d’activité sera préconisé pour représenter un parcours de soins. Nous avons déjà discuté de ce point dans un précédent article.

Le choix dépend de la question scientifique, du niveau d’explicabilité recherché et des données disponibles. Une fois le modèle choisi, il est possible d’appliquer une méthode de simulation.

Passer d’une photographie à une trajectoire

La cohorte virtuelle est générée et devient le point de départ de la simulation. A chaque pas de temps, le nouvel état de chaque patient est calculé à partir du modèle, permettant ainsi de suivre la cohorte de manière plus fine.

Dans notre exemple, la génération de données synthétiques peut reproduire les caractéristiques observées aux différentes échéances de l’étude. Elle ne garantit cependant pas, à elle seule, une trajectoire individuelle cohérente entre ces échéances. Le modèle dynamique apporte cette continuité : à chaque pas de temps, il calcule l’évolution de l’état de chaque patient virtuel.

La simulation permet ainsi d’observer l’état de la cohorte à chaque pas de temps, y compris entre deux échéances auxquelles des données réelles ont été recueillies. La figure ci-dessous illustre la mise en place d’une approche de simulation pour tracer la trajectoire de nos patients virtuels.

Valider le modèle avant d’explorer de nouveaux scénarios

Avant d’utiliser un modèle de simulation pour étudier de nouveaux scénarios, il est indispensable de vérifier qu’il est capable de reproduire des évolutions réellement observées. Plusieurs stratégies de validation sont possibles selon la taille de la cohorte, la structure du suivi et l’usage envisagé. À titre d’exemple, 80 % des patients peuvent être utilisés pour construire et calibrer le modèle, tandis que les 20 % restants sont conservés pour une validation indépendante.

La qualité du modèle peut alors être évaluée à partir de la distance entre prédictions et observations, au moyen d’indicateurs adaptés : erreur moyenne, écart sur une mesure clinique, capacité à reproduire une distribution ou fréquence correcte des événements. Cette validation sur des données indépendantes permet de vérifier que le modèle ne se contente pas de reproduire les patients ayant servi à sa construction, mais qu’il peut également généraliser à de nouveaux profils.

Explorer des scénarios alternatifs

Une fois le modèle validé, la simulation permet d’explorer des scénarios alternatifs au travers de la variation de certaines hypothèses. Dans notre exemple, plusieurs scénarios d’adhérence pourraient être étudiés :

adhérence élevée et constante ;
adhérence partielle ;
interruptions temporaires ;
diminution progressive de l’adhérence ;
reprise du traitement après une interruption ;
amélioration de l’adhérence à la suite d’une intervention d’accompagnement.

La simulation répond alors à une nouvelle catégorie de question :

Que pourrait-il se passer si le patient, ou la population, suivait un autre scénario ?

Cette logique est particulièrement intéressante lorsque certaines configurations sont rares dans les données ou difficiles à étudier directement.

Prédire et simuler ne signifient pas la même chose

La frontière n’est pas toujours absolue : un modèle de simulation peut intégrer des briques prédictives, et un algorithme de Machine Learning peut produire des prévisions longitudinales.

La distinction repose surtout sur la finalité recherchée.

Approche	Question principale
Analyse statistique	Qu’avons-nous observé dans la cohorte ?
Machine Learning	Quel résultat est probable pour un profil donné ?
Génération de patients virtuels	À quoi pourrait ressembler une population statistiquement comparable ?
Simulation	Comment cette population pourrait-elle évoluer selon plusieurs scénarios ?
Jumeau numérique	Comment actualiser ces représentations et simulations à partir de l’évolution du système réel ?

Le Machine Learning apprend principalement à partir des régularités observées dans les données.

La simulation repose sur une représentation explicite de l’évolution du système. Elle permet de modifier certains paramètres et d’observer les conséquences produites par le modèle.

Simuler un scénario alternatif ne suffit pas à établir un effet causal

La possibilité de modifier virtuellement l’adhérence d’un patient peut donner l’impression que la simulation révèle directement ce qui se serait passé dans la réalité.

Cette interprétation doit rester prudente.

Dans une étude observationnelle, les patients très adhérents peuvent différer des patients moins adhérents sur de nombreuses dimensions : âge, sévérité de la maladie, environnement social, compréhension du traitement, accès aux soins, etc.

Certains de ces facteurs peuvent influencer à la fois l’adhérence et le résultat clinique.

La simulation d’un scénario contrefactuel ne démontre donc pas automatiquement que la modification de l’adhérence causerait, à elle seule, l’évolution simulée.

La crédibilité des résultats dépend notamment :

de la qualité des données ;
de la pertinence des hypothèses ;
de l’identification des facteurs de confusion ;
de la calibration du modèle ;
de sa validation sur des données qui n’ont pas servi à le construire ;
de l’analyse des incertitudes.

Le modèle doit être considéré comme un outil d’exploration et d’aide à la décision, dont le niveau de preuve dépend de sa conception et de sa validation.

Quand le modèle de simulation devient-il un jumeau numérique ?

Un modèle peut être construit à partir d’une cohorte, validé, puis utilisé pour simuler différents scénarios. Il s’agit alors d’un outil de simulation dynamique.

Pour parler de jumeau numérique dans le cadre retenu ici, une brique supplémentaire est nécessaire : la synchronisation avec le réel.

Le système réel continue d’évoluer

Après la construction initiale du modèle, de nouvelles données peuvent devenir disponibles : nouvelles consultations, nouvelles mesures cliniques, apparition d’un événement médical, inclusion de nouveaux patients dans la cohorte, etc.

Ces informations permettent d’actualiser la représentation virtuelle.

Le modèle peut alors être recalibré, l’état des patients mis à jour et de nouvelles simulations exécutées.

Une boucle entre le réel et le virtuel

Le fonctionnement peut être résumé en quatre étapes :

Les données réelles alimentent le modèle.
Le modèle représente l’état actuel de la population.
Des scénarios futurs sont simulés.
De nouvelles observations permettent de mettre à jour le modèle et ses projections.

C’est cette boucle de synchronisation qui distingue le jumeau numérique d’un modèle utilisé une seule fois.

Le jumeau numérique n’est pas seulement une représentation virtuelle. Il est une représentation dynamique, susceptible d’être régulièrement réalignée avec le système réel.

Dans l’exemple présenté, on parlerait plus précisément d’un jumeau numérique populationnel ou d’un jumeau numérique de cohorte.

L’IA, la simulation et le jumeau numérique sont complémentaires

La question n’est donc pas de choisir entre intelligence artificielle et jumeau numérique comme s’il s’agissait de technologies concurrentes.

L’intelligence artificielle peut contribuer à plusieurs briques du jumeau numérique :

analyser et préparer les données ;
identifier des profils de patients ;
estimer certains paramètres du modèle ;
prédire une transition ou un événement ;
générer une population virtuelle (initialisation de la simulation) ;
compléter certaines données manquantes, avec les précautions nécessaires.

La simulation apporte une représentation dynamique et permet d’explorer différents scénarios.

La synchronisation avec le système réel permet enfin d’actualiser régulièrement cette représentation.

Quels usages pour une étude en vie réelle ?

Un jumeau numérique populationnel peut prolonger l’exploitation d’une cohorte au-delà de l’analyse descriptive, à condition que le modèle soit correctement calibré, validé et accompagné d’une quantification des incertitudes.

Ces usages produisent des projections fondées sur les données et les hypothèses du modèle. Ils ne démontrent pas automatiquement une relation causale et ne remplacent pas une validation clinique ou méthodologique adaptée à l’usage envisagé.

Pour un industriel de santé, ces applications peuvent contribuer à la génération de données en vie réelle, à la préparation d’un protocole, à l’exploration de stratégies d’accompagnement, à la compréhension de l’hétérogénéité de la réponse ou à la préparation d’analyses médico-économiques. Le niveau d’utilisation possible dépend néanmoins de la maturité et de la validation du modèle.

Usage	Question posée	Apport du modèle
Explorer le long terme	Comment les patients pourraient-ils évoluer au-delà de la durée de suivi disponible ?	Projeter des trajectoires cliniques à plus long terme et comparer plusieurs hypothèses d’évolution
Étudier des situations peu observées	Que peut-il se passer pour des profils, événements ou niveaux d’adhérence rares dans la cohorte ?	Générer des patients virtuels plausibles et explorer des configurations insuffisamment représentées dans les données
Tester des scénarios alternatifs	Quel pourrait être l’effet d’une amélioration de l’adhérence, d’un suivi renforcé ou d’une modification de la prise en charge ?	Comparer virtuellement plusieurs scénarios appliqués à une même population de référence
Préparer une nouvelle étude	Quelles données faut-il recueillir et quels paramètres sont les plus déterminants ?	Identifier les variables influentes, tester la faisabilité d’un protocole et orienter de futures collectes de données
Actualiser l’aide à la décision	Les conclusions restent-elles valables lorsque de nouvelles données deviennent disponibles ?	Mettre à jour le modèle et réexécuter les simulations à mesure que la cohorte réelle évolue

Conclusion : une chaîne méthodologique au service de la décision

Une même cohorte de vie réelle peut alimenter plusieurs niveaux d’analyse. Les méthodes statistiques et d’intelligence artificielle permettent d’identifier des relations, de produire des prédictions et de générer des profils plausibles. L’ajout d’un modèle dynamique permet ensuite de simuler leur évolution et de comparer des scénarios thérapeutiques ou organisationnels. Lorsque de nouvelles observations servent régulièrement à actualiser cette représentation, l’ensemble peut évoluer vers un jumeau numérique populationnel.

La valeur de cette démarche repose sur l’enchaînement des étapes : définir la décision à éclairer, sélectionner les données utiles, construire un modèle explicable, vérifier sa capacité à reproduire des trajectoires observées, quantifier les incertitudes, puis explorer les scénarios pertinents. Chaque étape renforce la robustesse et l’interprétabilité des résultats.

Pour les industriels de santé, cette approche ouvre des perspectives tout au long du cycle de vie d’un produit : approfondissement d’une étude en vie réelle, analyse de l’adhérence, préparation de nouvelles études, exploration de trajectoires à long terme ou évaluation de stratégies d’accompagnement. Le niveau de validation attendu doit rester proportionné à l’usage : génération d’hypothèses, décision interne, communication scientifique, évaluation réglementaire ou utilisation clinique.

En associant données réelles, connaissances scientifiques, modèles dynamiques et mises à jour successives, le jumeau numérique populationnel offre ainsi un cadre évolutif pour transformer une cohorte observée en un outil d’exploration, d’apprentissage et d’aide à la décision.

10 juillet 202610 juillet 2026

Simulation et optimisation mathématique en santé : la boite à outils méconnue de la décision

Introduction

Que ce soit seul ou combiné à d’autres techniques d’analyses et de modélisation, la simulation et l’optimisation mathématique se sont imposées comme des méthodes de référence pour résoudre les problématiques organisationnelles complexes, telles que celles que l’on trouve dans le secteur de la santé. Organiser un planning de bloc opératoire, étudier le parcours patient ou l’organisation d’un territoire de santé, autant de préoccupations auxquelles l’optimisation mathématique apporte des éléments de réponse.

Les multiples expériences de DALI sur des projets de recherche de pointes nous ont appris à utiliser ces méthodes, à questionner leurs résultats et à les implémenter. En effet, les contraintes pesant sur les systèmes de soins sont extrêmement complexes et challengent souvent les modélisations, nous amenant à toujours remettre en question méthodes et résultats en les confrontant à nos connaissances du secteur et à l’expertise d’expert des métiers de la santé. Ces processus d’améliorations continues des modèles permettent une utilisation éclairée de l’optimisation dans le domaine de la santé.

Pour comprendre les contraintes d’utilisation de l’optimisation et comment nous l’employons dans nos projets sur des données en vie réelle, nous nous proposons de vous présenter ce qui se cache derrière l’optimisation mathématique et son utilisation.

A quoi correspond l’optimisation mathématique et comment est-elle utilisée dans le secteur de la santé ?

Illustration du fonctionnement d'algorithmes d'optimisation mathématque.

Optimisation mathématique

Principes d’optimisation

L’optimisation est une branche des mathématiques qui vise à “résoudre des problèmes modélisés sous la forme d’équations”. Les décisions à prendre pour résoudre ce problème sont “des variables” dont on cherche la valeur optimale. L’objectif classique de ces méthodes est de minimiser une fonction objectif (ex. coût en €) en prenant en compte de plusieurs contraintes, qu l’on modélise sous forme d’inéquations (ex. ne pas dépasser un budget) qui limitent les choix de valeur de nos variables (ex. choix des dépenses).

Dans une représentation de problèmes réels, la fonction objectif peut représenter typiquement un coût financier (réduire des coûts pour un commerce, pour une prise en charge de patient), un délai (minimiser des temps de transport) ou une combinaison de ces éléments (trouver un compromis entre la maitrise de couts, des délais de livraison faible et une qualité de service élevée). Les variables de décisions sont l’équivalent mathématique des décisions prises dans la vie réelle (la quantité de produits à concevoir dans une usine, des budgets à investir, dans quelle ville ouvrir un entrepôt).

Pour récapituler, un problème d’optimisation est une modélisation mathématique qui aide à la résolution de problèmes réels, et qui se compose :

d’une fonction objectif représentant le but final du problème,
de variables de décisions, qui sont les choix à effectuer par l’utilisateur,
de contraintes limitant les décisions possibles.

Exemple d’optimisation mathématique en santé

Regardons ce que cela donne sur un exemple simple. Prenons le cas d’une société pharmaceutique produisant un médicament sous 2 conditionnements différents: des flacons de 100 mL et de 300mL, et qui cherche à maximiser ses profits. Les flacons de grande capacité rapportent 2€ et les flacons standards 1€. L’entreprise ne peut produire que 1000 boites en tout, dont 300 flacons de 300mL. En conséquence, on cherche à savoir combien de flacons de chaque capacité produire pour maximiser les profits de l’entreprise.

On retrouve dans ce problème nos 3 éléments d’intérêt :

l’objectif : maximiser le profit réalisé,
la variable de décision : la quantité de flacons à produire,
les contraintes de production : on ne peut pas produire autant que l’on veut,

Ce problème relativement simple permet d’illustrer la modélisation de problèmes réels de manière mathématique. Dans la réalité, les objectifs sont souvent multiples (avoir la meilleure qualité de soins possible, réduire les délais, maitriser les coûts, etc.) et mènent à la formulation de fonctions complexes qui tentent d’équilibrer les différents aspects d’un projet. Les contraintes nombreuses peuvent être mal définies et affinées au fil de l’évolution du projet, et impliquent plusieurs aspects du problèmes (réglementation, capacité de production et contraintes temporelles). En cela, les observations des données à disposition et du terrain, ainsi que les discussions avec les experts impliqués sont essentielles pour aboutir à une modélisation pertinente.

Généralisation des problèmes d’optimisation

On peut généraliser la formulation des problèmes d’optimisation de la manière suivante :

\begin{align*} \text{minimiser} \quad &amp; f(x) \\ \text{sous contraintes} \quad &amp; A x \leq b \\ &amp; x \geq 0 \end{align*}

où :

$x \in \mathbb{R}^n$ : le vecteur des variables de décision,
$f: \mathbb{R}^n \to \mathbb{R}$ : la fonction objectif,
$A \in \mathbb{R}^{m \times n}$ : la matrice des contraintes d’inégalité,
$b \in \mathbb{R}^m$ : le vecteur des bornes d’inégalité,
$n,m$ : le nombre de variables de décisions et de contraintes.

L’objectif peut aussi s’exprimer sous forme de maximisation selon la finalité du problème.

Notre exemple de la société pharmaceutique se modélise ainsi :

\begin{align*} \text{maximiser} \quad &amp; 2u + v \\ \text{sous contraintes} \quad &amp; u + v \leq 1000 \\ \quad &amp; u \leq 300 \\ \end{align*}

où $u$ et $v$ représentent les quantités de flacons de 300 mL et 100 mL, $f(u,v)$ , le bénéfice à maximiser, et les contraintes limitent le nombre total de flacons et la production en grand format.

Ces éléments de modélisation servent à formaliser les problématiques de nos projets et à communiquer avec nos partenaires. Choix de modélisation, méthodes de résolution et résultats sont constamment discutés avec les experts terrain pour valider les décisions.

On utilise différents algorithmes pour résoudre numériquement ces problèmes. Pour les problèmes de taille raisonnable, des méthodes exactes suffisent. Mais dans nos projets en vie réelle, la complexité du problème augmente régulièrement. On utilise alors des méthodes d’approximation, dites métaheuristiques. Ces méthodes explorent l’espace des solutions en suivant des stratégies précises. Elles ne garantissent pas la solution optimale, mais conservent un temps de calcul raisonnable.

Les résultats obtenus sont rarement applicables tels quels sur le terrain : un travail d’adaptation reste nécessaire avec les équipes impliquées.

Méthode de résolution : la Recherche Tabou (Tabu Search)

Une des techniques métaheuristiques les plus utilisées est la « Recherche Tabou », une stratégie de recherche qui consiste à explorer des solutions proches du point de départ. On choisit la meilleure solution du voisinage et on recommence jusqu’à ce que l’algorithme n’améliore plus ses résultats. Ensuite, on ajoute les solutions à la liste des Tabous et exclues du champs de recherche pour un temps donné. Cela permet à l’algorithme de ne pas se bloquer sur des solutions déjà explorées par le passé. On arrête la recherche lorsque l’on améliore plus les solutions obtenues. Pour résumer l’algorithme fonctionne de la manière suivante :

Schéma du fonctionnement de la recherche Tabou en optimisation mathématique

Fonctionnement de la Recherche Tabou
On note $s*$ la solution initiale, et $s$ les solutions possibles. T est la liste des solutions Tabous.
– On définit la solution initiale (la situation actuelle du système étudié): $s*←s1$ ,
– La liste des tabous est vide: $T ← []$ , elle contiendra les solutions retenus et à ne plus explorer.

On répète ensuite :
1. Exploration du voisinage de $s*$ : on génère des solutions proches de $s*$ ,
2. On évalue la valeur de la fonction objectif pour chaque solution du voisinage,
3. On identifie $s_{sol}$ la meilleure solution sur le voisinage,
4. La solution $s*$ est ajoutée à la liste des Tabous pour les itérations suivantes, $T ←s*$ ,
5. Le meilleur voisin est retenu comme solution référence : $s* ← s_{sol}$ .

On arrête d’itérer lorsque la valeur de la fonction objectif ne s’améliore plus pendant trop d’itérations successives. A noter que le meilleur voisin retenu n’est pas forcément meilleure que la solution d’origine. Cela permet à l’algorithme d’explorer progressivement le voisinage et de ne pas se bloquer sur un optimum local.

Simulation numérique

La simulation numérique désigne une représentation numérique d’un système réel et l’étude de son évolution dans le temps. On l’utilise pour prévoir à l’avance l’état final du système dont on connait l’état initial, ou visualiser son évolution dans des conditions particulières. Il peut s’agir d’un système physique (réacteur d’avion, organe), organisationnel (un hôpital), ou humain (individu population). Plusieurs types de simulations existent, comme la simulation à évènements discrets ou multi-agents, et sont décrites dans notre précédent article : La simulation de flux au service des soignants

Les applications de la simulation numérique en santé sont multiples et peuvent servir des objectifs variés :

Organisationnel : étude des centres hospitaliers, transports de patients, blocs opératoires. Permet de calculer l’impact de changements d’organisation sur les ressources.
Aide à la décision (politiques de santé) : analyser l’impact des politiques de santé sur les territoires,
Modélisation clinique : évolution du patient en fonction des soins reçus (par exemple simulation de l’effet d’un traitement sur les constantes / la santé)

Par exemple : propagation d’épidémie et modèle SIR (Susceptibles, Infectieux, Remis): créer une population et voir l’impact de différents paramètres (distanciation sociale, viralité de la maladie) sur la propagation.

Modèle SIR
On crée une population d’agents ayant certaines caractéristiques et comportement :

– Leur statut par à l’épidémie (Susceptibles de contracter la maladie – Infectés – Rétablis),
– Leur cercle social : avec quels autres agents ils ont des contacts (via le travail, les cercles familiaux),
– Leurs comportement : respect de la distanciation sociale, etc.

De la situation initiale des patients et de la situation (viralité, personnes infectées) l’ordinateur calcule la propagation de l’épidémie et les rémissions.
L’ordinateur utilise ensuite ces paramètres et la situation (viralité et personnes infectées) pour calculer la propagation de l’épidémie.

Simulation et optimisation

La simulation numérique permet d’évaluer un scénario précis et peut être utilisée en combinaison avec un modèle d’optimisation mathématique. On utilise alors le modèle de simulation pour évaluer la fonction objectif utilisée dans le modèle d’optimisation. Cela permet d’obtenir une valeur dans les cas où la fonction est difficilement calculable analytiquement ou pour les systèmes comportant une forte variabilité.

Dans le cas de modèles organisationnels d’hôpitaux par exemple, les durées de séjours de patients comportent une part d’aléatoire, les disponibilités d’équipements médicaux (imagerie, bloc opératoires, etc.) sont conditionnées aux temps de traitement individuels de chaque patients. Ainsi les modèles de simulation permettent de composer avec ces incertitudes fortes lors de l’évaluation de la fonction objectif. On passe alors d’une analyse déterministe à une interprétation probabiliste de l’évaluation d’une solution.

Dans le cas de l’algorithme de Tabu Search expliqué plus haut, l’évaluation de la fonction objectif pour chaque solution explorée est faite via la simulation. On simule plusieurs instances de la simulation (ou runs) en parallèle, et on étudie le comportement de la fonction objectif. De cette manière, les conditions de choix de la meilleure solution sont adaptées aux phénomènes d’incertitudes liées à la simulation.

Conclusion

En santé, l’optimisation mathématique est un outil puissant, qui propose une solution précise à une abstraction d’un problème concret. Utilisée en lien avec la simulation, elle peut ainsi prendre en compte des contraintes organisationnelles et des effets de bords qu’une modélisation mathématiques peut passer sous silence.

DALI s’attache à modéliser de manière responsable les organisations étudiées et à s’adapter aux spécificités de chaque système. La personnalisation et la prise en compte des contraintes opérationnelles des systèmes de santé sont au cœur de nos projets.

28 novembre 202512 juin 2026

Comprendre le Process Mining en santé : un mini tuto pour transformer son regard sur les parcours de soin

Cet article est une synthèse et une introduction d’un cours que nous donnons dans des formations de niveau Master 2 et Grandes Écoles. Il s’appuie aussi sur notre expérience sur notre expérience professionnelle (15+ projets industriels et hospitaliers sur données réelles) et académique sur le sujet (Encadrement de thèses par Vincent Augusto) :

– Martin Prodel (2014-2017)
prédiction du parcours patient à partir du PMSI
– Hugo De Oliveira (2017-2020)
modélisation prédictive des parcours du SNDS
– Jules Le Lay (2019-2022)
optimisation des parcours de soins de patients multimorbides
– Laura Uhl (2020-2024)
prédiction de parcours de soins intra hospitalier

Les articles scientifiques associés sont en référence à la fin de l’article 👇.

Lorsque l’on parle du fonctionnement réel d’un hôpital, d’un bloc opératoire ou d’un parcours de patients chroniques, on s’appuie souvent sur des procédures, des protocoles ou des schémas de flux. Pourtant, toute personne ayant travaillé sur l’étude des parcours de soins en pratique sait que la réalité ne suit jamais parfaitement ces modèles.

Il existe une différence entre ce qui devrait se passer et ce qui se passe réellement.
C’est précisément dans cet espace que se situe une discipline scientifique qui mériterait selon nous d’être encore plus connue : le Process Mining.

Cet article est conçu comme un mini tuto de découverte, destiné à celles et ceux qui souhaitent comprendre cette méthode, son origine, ses principes fondamentaux et surtout sa valeur concrète dans les organisations de santé.

Bienvenue dans cette introduction guidée au Process Mining.

1. Définition : que signifie “Process Mining” ?

Le terme anglais Process Mining est généralement traduit en français par “fouille de processus” ou “analyse des processus à partir des données”. Cette traduction, bien que correcte, peut laisser penser à une simple extraction de données ou à un audit documentaire. En réalité, le Process Mining est une discipline scientifique à part entière, située à la croisée de trois domaines :

l’informatique,
la théorie des processus,
et l’analyse des traces numériques.

L’idée fondatrice est simple mais élégante:

À chaque fois qu’un système informatique enregistre un événement, il capture une partie de l’histoire réelle d’un processus. Le Process Mining reconstitue cette histoire.

Ainsi, plutôt que de s’appuyer sur la manière dont un processus est censé fonctionner, il montre la manière dont il fonctionne réellement, au travers de milliers d’événements enregistrés dans les systèmes d’information.

2. Une discipline née à l’université, mais conçue pour le terrain

Le Process Mining démarre dans des travaux académiques des années 1990-2000, menés notamment à l’université de technologie d’Eindhoven (Pays-Bas), autour du professeur Wil van der Aalst, aujourd’hui considéré comme “le père fondateur” de la discipline.
À l’origine, ces travaux cherchaient à combiner deux mondes :

les modèles de workflow (Rigoureux, théoriques, utilisés pour décrire des processus)
et les données d’exécution réelles (Désordonnées, imparfaites, issues de systèmes métiers)

Le Process Mining est né là : un moyen de comparer la théorie et la pratique, la norme et le vécu, le modèle et la donnée brute.

Depuis, c’est devenu un champ scientifique à part entière, avec ses méthodes, ses algorithmes, ses outils, ses revues, ses conférences, ses communautés, et des centaines de publications. Par exemple, j’obtiens 2 477 résultats pour une recherche d’articles sur IEEE explore, entre 2015 et 2025 avec le mot clé “process mining”; et 311 pour la même chose sur Pubmed (en date du 28 novembre 2025).

Pour nous, son intérêt dépasse la recherche : il s’agit d’un outil utile pour analyser et transformer les organisations de santé, où les processus sont complexes, multi professionnels, hétérogènes et chargés de variabilité.

3. Les trois piliers du Process Mining (sans simplifier à l’excès)

Dans un cadre d’enseignement, nous présentons toujours le Process Mining via trois grandes familles d’analyses, qui forment sa colonne vertébrale :

A. La découverte de processus (« process discovery »)

Il s’agit de reconstruire automatiquement la structure du processus à partir des données. L’algorithme ne connaît rien du processus ; il le redécouvre en analysant les enchaînements réels d’événements. C’est souvent une révélation pour les organisations : ce qu’elles imaginaient n’a rien à voir avec ce que montrent les données.

💡(pour aller plus loin sur le process discovery) Derrière le concept : une problématique de reconstruction de graphes

En termes formels, on cherche à :

reconstituer un graphe orienté G = (N, E) où
   → N = activités observées
   → E = transitions possibles
   → à partir d’un ensemble de traces T = {σ₁, σ₂, …, σₙ}
   → où chaque trace σᵢ est une séquence ordonnée d’événements : 
     σᵢ = (a₁ → a₂ → … → aₖ).

Le défi théorique est qu’il existe une infinité de graphes possibles capables de reproduire les traces données. Le Process Mining cherche donc une solution minimale, générale et fidèle aux données, en optimisant un compromis entre 4 critères :

fitness (le modèle doit pouvoir reproduire les traces observées)
précision (il ne doit pas autoriser trop de comportements non observés)
généralisation (il doit être robuste aux variations futures)
simplicité (principe d’Ockham)

Les algorithmes emblématiques

Alpha Miner (le premier historiquement)
Basé sur des relations de causalité simples (→, ||, ↔), il reconstruit le modèle en interprétant les co-occurrences temporelles. Ses limites : bruit, boucles courtes, complexité réelle.

Heuristic Miner (simple et efficace)
Introduit un scoring probabiliste : on estime la force des relations en fonction des fréquences, ce qui permet de réduire l’impact des événements rares ou anormaux.

Inductive Miner (l’état de l’art pour les projets industriels)
Il reconstruit le processus sous forme d’un arbre de blocs structurés (séquence, choix, boucle, parallèle), ce qui garantit :
– absence d’ambiguïté
– modèles toujours structurés et compréhensibles
– scalabilité pour des millions d’événements.

C’est ce dernier algorithme (et ses variantes) que nous enseignons et que nous utilisons fréquemment dans nos projets industriels, en particulier lorsque les logs sont hétérogènes, incomplets ou très volumineux.

Toutes ces méthodes sont facilement disponibles en Python via PM4PY (Open Source)

PM4Py est une bibliothèque open-source en Python dédiée au Process Mining : en d’autres termes, elle offre un ensemble complet d’algorithmes et d’outils permettant de reconstruire, analyser, visualiser et améliorer des processus réels à partir de journaux d’événements.

Lien : https://processintelligence.solutions/pm4py

B. La vérification de conformité (conformance checking)

Pour ce deuxième pilier, on compare le processus réel avec le processus attendu ou théorique. On mesure les écarts, leur fréquence, leurs impacts.

Dans les hôpitaux, c’est souvent là que l’on découvre des étapes sautées, des retours en arrière, des séquences trop longues, des ruptures, ou des variations entre équipes…

💡(pour aller plus loin sur la conformance checking) La vision mathématique derrière : un problème d’alignement optimal

Le Conformance Checking cherche à comparer :

- un modèle théorique de parcours (par exemple exprimé en réseau de Petri)
versus
- un ensemble de traces réelles T (par exemple les parcours de 150 000 patients)

en produisant un alignement optimal entre les deux.

En théorie, on cherche une solution du problème :
>>> “minimiser Σ coûts(moves entre théorie et réalité)
>>> sous contrainte de reproduire entièrement la trace (= la réalité).”

Il s’agit d’un problème combinatoire complexe, souvent résolu par :
- des variantes de l’A*
- des méthodes heuristiques
- des approximations via contraintes linéaires

C. L’analyse de performance

C’est le volet le plus opérationnel : durées, temps d’attente, goulots d’étranglement, variabilité. En santé, cette dimension permet d’identifier précisément où et pour qui les patients attendent trop.

Ces trois piliers donnent au Process Mining une puissance en tant qu’outil : il peut décrire, comparer, quantifier — le tout en s’ancrant dans les trajectoires réelles.

💡 (Pour aller plus loin sur l’analyse de perfomances) Les concepts mathématiques sous-jacents

1. Analyses statistiques (classiques) des distributions, car Les temps ne sont jamais gaussiens.
2. Identification des goulots d'étranglement : théorème de la file d’attente
3. Analyse des parcours variants

Mathématiquement, on peut mesurer la complexité d’un processus par :
- l’entropie de Shannon (mesure de variabilité des chemins),
- le nombre de variantes distinctes (souvent > 500 dans les urgences),
- l’entropie conditionnelle (variabilité selon un sous-groupe).

4. De la théorie à la pratique : ce que nous observons dans les projets

Nos étudiants découvrent souvent les résultats de leurs premières analyses avec une forme d’étonnement :
« Je ne pensais pas que les processus étaient aussi variés »
« Je ne m’attendais pas à voir autant de chemins différents »
« Je ne savais pas que ce service était un goulot d’étranglement »

Cet étonnement, nous le retrouvons également dans les projets industriels. Voici trois situations typiques, anonymisées, issues de notre expérience :

Exemple 1 : Parcours chirurgical

Dans un projet mené en chirurgie, la reconstruction automatique des parcours a révélé trois “routines” très différentes selon les jours de la semaine. Certaines séquences pré-opératoires étaient effectuées de manière tardive les lundis, créant un allongement de délai très significatif. Ce n’était écrit nulle part ; seule l’analyse des traces l’a mis en lumière.

Exemple 2 : Service d’urgences

Un flux inattendu apparaissait systématiquement dans les graphes : un groupe de patients contournait un point de passage pourtant considéré comme “obligatoire” dans la procédure. Il s’agissait en réalité d’une organisation informelle mise en place pour résoudre un problème local… des années plus tôt.

Exemple 3 : Parcours de maladies chroniques

Le Process Mining a permis d’identifier des ruptures de suivi invisibles dans les dashboards classiques. Certains patients s’échappaient du parcours avant de revenir plus tard pour des complications. L’équipe clinique savait que le suivi était imparfait ; elle ne connaissait ni l’ampleur ni le profil des patients concernés.

Dans chacun de ces cas, la force du Process Mining tient au fait qu’il montre, avec une neutralité scientifique, ce que la donnée raconte.

5. Pourquoi le Process Mining est particulièrement pertinent en santé

Dans les systèmes industriels (manufacturing, supply chain), les processus sont souvent linéaires, fortement automatisés, et optimisés depuis longtemps.
Dans la santé, l’humain est central, la variabilité est naturelle, et les contraintes sont multiples.

C’est pourquoi le Process Mining y apporte de la valeur :

il objective ce qui est habituellement discuté sur la base d’impressions,
il met en lumière les pratiques réelles plutôt que les intentions,
il révèle des micro-adaptations locales, qui deviennent parfois des macro-problèmes,
il aide à structurer des décisions d’organisation fondées sur des résultats quantifiés.

Pour un directeur d’hôpital, un chef de service ou un cadre de pôle, il offre un nouveau type de miroir : un miroir objectif de l’activité. Pour un responsable sur une aire thérapeutique ou pour un produit de santé, il pose une base objective pour travailler sur les parcours.

6. Au-delà du diagnostic : Process Mining, simulation et jumeaux numériques

L’analyse par Process Mining constitue souvent la première étape d’un travail de transformation organisationnelle. Chez DALI, nous la combinons systématiquement avec la modélisation, la simulation et les jumeaux numériques organisationnels.

Analyse du réel vs jumeaux numériques — Généré par IA par l’auteur

Le Process Mining sert alors à ancrer le modèle dans la réalité :
→ il fournit la structure des parcours, les distributions de temps, la variabilité observée.
La simulation permet ensuite de tester des scénarios : réorganisations, changement de planning, ajout de ressources, modification de séquences.

C’est ce lien “analyse du réel + expérimentation virtuelle” qui rend nos projets particulièrement pertinents pour les hôpitaux et les industriels. Ils sont alors “Utiles”, “Utilisables” et “Utilisés”.

Conclusion : le Process Mining, entre science et terrain

Le Process Mining est devenu, en quelques années, un outil incontournable pour comprendre les organisations complexes. Il combine la rigueur de la recherche, la finesse de l’analyse des données et la pertinence du diagnostic opérationnel.

Ce que nous apprécions le plus, en tant qu’enseignants et praticiens, c’est sa capacité à réconcilier la théorie et la réalité. Il montre ce qui est, et non ce que l’on imagine.
Il aide à mieux comprendre, donc à mieux agir.

Dans les organisations de santé, cette compréhension est un levier essentiel pour améliorer les parcours, réduire les délais, optimiser les ressources et, in fine, améliorer l’expérience des patients et des professionnels.

Si vous souhaitez aller plus loin, ou si vous envisagez de former vos équipes à cette méthode, nous serions ravis de partager notre expertise, à la fois académique et opérationnelle : contact@dali.science

Nos articles scientifiques publiés sur le sujet depuis 10 ans

Le Lay J.; Augusto V.; Alfonso-Lizarazo E.; Masmoudi M.; Gramont B.; Xie X.; Bongue B.; Celarier T. COVID-19, Bed Management Using a Two-Step Process Mining and Discrete-Event Simulation Approach (2024) IEEE Transactions on Automation Science and Engineering 21:3:3080-3091 doi:10.1109/TASE.2023.327484

Le Lay J.; Perrier L.; Augusto V.; Boucher X.; Xie X., Modelling and Simulation of Genomic Sequencing Platform Operations (2023) Proceedings – Winter Simulation Conference ::1160-1171 doi:10.1109/WSC60868.2023.1040766

Le Lay J.; Neveu J.; Dalmas B.; Augusto V., Automated generation of patient population for discrete-event simulation using process mining (2022) Simulation Series 54:1:803-814 doi: 10.23919/ANNSIM55834.2022.9859406

Uhl L.; Augusto V.; Dalmas B.; Alexandre Y.; Bercelli P.; Jardinaud F.; Aloui S., Evaluating the Bias in Hospital Data: Automatic Preprocessing of Patient Pathways Algorithm Development and Validation Study (2024) JMIR Medical Informatics 12::- doi: 10.2196/58978

Uhl L.; Augusto V.; Lemaire V.; Alexandre Y.; Jardinaud F.; Bercelli P.; Aloui S., Progressive prediction of hospitalisation and patient disposition in the emergency department (2022) Proceedings – 2022 IEEE International Conference on Big Data, Big Data 2022 ::1719-1728 doi: 10.1109/BigData55660.2022.10020777

De Oliveira H.; Augusto V.; Jouaneton B.; Lamarsalle L.; Prodel M.; Xie X., Automatic and explainable labeling of medical event logs with autoencoding (2020) IEEE Journal of Biomedical and Health Informatics 24:11:3076-3084 doi:10.1109/JBHI.2020.3021790

De Oliveira H.; Augusto V.; Jouaneton B.; Lamarsalle L.; Prodel M.; Xie X., Optimal process mining of timed event logs (2020) Information Sciences 528::58-78 doi: https://doi.org/10.1016/j.ins.2020.04.020

Prodel M.; Augusto V.; Jouaneton B.; Lamarsalle L.; Xie X. Optimal Process Mining for Large and Complex Event Logs (2018) IEEE Transactions on Automation Science and Engineering 15:3:1309-1325 doi: 10.1109/TASE.2017.2784436

Prodel M.; Augusto V.; Xie X.; Jouaneton B.; Lamarsalle L., Stochastic simulation of clinical pathways from raw health databases (2017) IEEE International Conference on Automation Science and Engineering 2017-August::580-585 doi: 10.1109/COASE.2017.8256167

Augusto V.; Xie X.; Prodel M.; Jouaneton B.; Lamarsalle L., Evaluation of discovered clinical pathways using process mining and joint agent-based discrete-event simulation (2016) Proceedings – Winter Simulation Conference 0::2135-2146 doi: 10.1109/WSC.2016.7822256

1 octobre 202515 juin 2026

Découvrez comment les jumeaux numériques révolutionnent le monde de la santé (en vidéo) !

Dans cette présentation en vidéo, nous explorons :

La définition et le fonctionnement des jumeaux numériques
Leurs applications concrètes dans le domaine hospitalier
Un exemple d’utilisation : bloc opératoire
Comment la simulation permet d’optimiser les décisions médicales et organisationnelles

Découvrez comment les jumeaux numériques révolutionnent le monde de la santé !

Les jumeaux numériques offrent une vision dynamique et prédictive des parcours patients, des ressources hospitalières et des innovations thérapeutiques. Ils représentent une avancée majeure pour anticiper, planifier et améliorer la qualité des soins.

Que vous soyez professionnel de santé, décideur ou simplement curieux des innovations médicales, cette vidéo vous donnera les clés pour comprendre ce nouvel outil stratégique.

📩 Pour en savoir plus ou démarrer un projet : prodel@dali.science

21 août 202512 juin 2026

Faut-il (vraiment) faire du machine learning sur les données de santé ?

Travaillant dans le secteur de la santé, nous nous sommes demandé s’il est devenu trop courant d’entendre : « On pourrait faire du machine learning sur les données de santé… ». La proposition semble prometteuse, avec un côté moderne, voire incontournable (et c’est sans parler d’IA génératives qui attirent beaucoup d’attention, on parle ici du machine learning « traditionnel »). Et pourtant… trop souvent, ces projets sont lancés sans réel besoin défini, ni question précise à résoudre. Comme si le simple fait d’utiliser un modèle complexe était en soi un gage de valeur ajoutée.

Nous avons appris au fil des projets que le machine learning n’a de sens que s’il est ancré dans un besoin de terrain, dans un besoin bien formulé. Le risque est que le résultat soit déceptif pour tout le monde, et que personne ne s’empare des résultats.

C’est ce que nous souhaitons partager dans cet article. Nous allons donc poser une question simple :

À quoi ça sert vraiment de faire du machine learning en santé ?

Nous verrons pourquoi l’engouement est réel (et souvent justifié), mais aussi pourquoi il faut rester lucide. Et surtout, comment construire des projets qui visent rigueur scientifique et finalité concrète.

🔎 Petit rappel : qu’est-ce qu’un un modèle de machine learning ?
Un modèle de machine learning (= apprentissage automatique), c’est un programme qui apprend à repérer des régularités dans des données passées pour prédire, classer ou segmenter de nouveaux cas. C’est utile… si ces régularités existent vraiment, et si elles aident à prendre des décisions.

Mais attention, le modèle ne comprend pas ce qu’il fait ! Il ne fait que repérer des régularités mathématiques dans les données. S’il a été mal alimenté, ou si les données sont biaisées, les résultats seront trompeurs.

Trois exemples :
– Prédire un événement (classification ou régression) : va-t-il y avoir un risque de chute ?
– Regrouper automatiquement des cas similaires (clustering) : y a-t-il des profils types de parcours post-opératoire ?
– Détecter des comportements inhabituels (anomaly detection) : ce signal de capteur sort-il de l’ordinaire ?

Décryptage – Le boom du machine learning en santé (2010–2025)

Pour commencer, jetons un petit regard en arrière pour voir ce que nous dit l’évolution du machine learning en santé du point de vue des publications. Le constat est clair : l’intérêt scientifique pour le machine learning, tous sujets confondus en santé, connaît une croissance spectaculaire, confirmée par plusieurs revues de littérature récentes.

Quelques chiffres clés :

Une simple recherche sur le site PubMed (https://pubmed.ncbi.nlm.nih.gov/), “Machine Learning + Healthcare” OR “Artificial intelligence + Healthcare”, donne 35 105 réponses (au 1er août 2025).

Une étude publiée dans Frontiers in Medicine a analysé 22  950 articles publiés entre 1993 et 2023. Elle montre une accélération très rapide après 2010, avec un pic marqué à partir de 2019 (Y. Xie et al. « Evolution of artificial intelligence in healthcare: a 30-year bibliometric study », Front. Med., vol. 11, janv. 2025, doi: 10.3389/fmed.2024.1505692)
Une autre étude recense toutes les publications contenant les mots-clés “machine learning” et “healthcare” dans Scopus de 2000 à 2024. Le volume passe de quelques dizaines à plus de 3 000 articles par an (A. Dalky et al., « Global Research Trends, Hotspots, Impacts, and Emergence of Artificial Intelligence and Machine Learning in Health and Medicine: A 25-Year Bibliometric Analysis », Healthcare, vol. 13, nᵒ 8, Art. nᵒ 8, janv. 2025, doi: 10.3390/healthcare13080892).

Interprétation de cette explosion

Nous proposons de résumer ces chiffres en 3 phases :

La phase exploratoire (jusqu’en 2012) : le machine learning est une curiosité technique.
La phase d’adoption (2015–2019) : multiplication par 10 à 20 des publications annuelles.
La phase d’emballement (post-2020) : plusieurs milliers d’articles par an, dans toutes les spécialités médicales (et pas que l’imagerie !).

Mais ce volume impressionnant pose question. Une grande partie de ces publications sont des démonstrations techniques ou méthodologiques. Elles ne débouchent pas toujours sur des usages cliniques ou organisationnels.

Pourquoi cela pose problème ?
> Parce que modéliser n’a de sens que si cela aide à décider, à orienter, à prioriser.
> Parce qu’un bon modèle ne vaut que s’il est compréhensible, interprétable et utilisé.

Quand le machine learning est utile : retours d’expérience

Il serait injuste de critiquer le machine learning sans reconnaître ses apports concrets — à condition qu’il soit bien utilisé. Dans plusieurs projets, nous avons vu des approches de classification, de clustering ou de régression produire des résultats réellement utiles pour l’action. D’autant que la barrière à l’entrée pour utiliser ces méthodes est devenue très basse. Ça n’est plus l’apanage des seuls experts techniques. Voici 4 retours d’expériences qui d’usages réussis.

REX 1. Prévention ciblée dans les territoires
Dans un programme régional de prévention des maladies cardiovasculaires, les critères de ciblage classiques (âge, antécédents médicaux) laissaient de côté certains profils à risque. Un modèle de classification basé sur des données médico-sociales et de consommation de soins a permis d’identifier des patients à haut risque non repérés par les outils traditionnels. Grâce à cela, les interventions de prévention (appels infirmiers, entretiens de motivation, courrier d’information) sont mieux ciblées, tout en restant équitables. Ici, le modèle ne remplace pas l’expertise humaine : il l’oriente.

REX 2. Optimisation du suivi post-opératoire
Dans un centre hospitalier, un projet a analysé les parcours de patients opérés pour des chirurgies digestives. En combinant des données cliniques avec du process mining, l’équipe a utilisé un algorithme de clustering pour identifier des groupes de patients avec des trajectoires post-opératoires atypiques. L’un des groupes présentait un taux de réhospitalisation élevé, lié à un défaut de contact infirmier à J+3. Ce signal, révélé par le modèle, a conduit à une refonte du protocole de suivi. Une fois de plus, l’algorithme n’était qu’un révélateur : la vraie décision s’est prise ensuite.

REX 3. Dispositifs médicaux : détection précoce d’usure ou d’incidents
Un fabricant de dispositifs médicaux connectés a déployé un algorithme de détection d’anomalies sur les signaux captés par ses capteurs. L’objectif : détecter des signes précoces de défaillance (matérielle ou physiologique) avant que l’événement ne survienne. Une fois le système en place, plusieurs cas ont été évités. L’impact réel ? Moins d’hospitalisations évitables, un SAV plus réactif, et surtout une vigilance renforcée dans l’usage du dispositif.

REX 4. Essais cliniques : sélection plus fine des participants
Dans un projet de recherche clinique sur une thérapie innovante, les chercheurs soupçonnaient que certains sous-groupes de patients réagissaient différemment au traitement. En amont du protocole, une analyse exploratoire via clustering non supervisé a permis d’identifier des profils différenciés, basés sur des marqueurs biologiques et des scores fonctionnels. Ces profils ont ensuite été utilisés pour affiner les critères d’inclusion, dans le cadre d’une sous-étude. Résultat : une meilleure puissance statistique, une interprétation enrichie des résultats, et une hypothèse plus ciblée pour une future phase III.

Une constante : ce n’est pas l’algorithme qui agit, c’est l’écosystème autour

Ces exemples ne font pas appel à la plus haute complexité technique qui soit. Parfois, il s’agissait simplement d’un arbre de décision, d’un random forest ou d’un clustering hiérarchique. Ce qui fait la différence, c’est que :

les modèles ont été construits en partant d’un besoin métier concret,
les résultats ont été intégrés dans un processus de décision ou d’organisation,
et surtout, les utilisateurs finaux ont été impliqués dès le début.

Quel point de vue adopter sur le sujet ?

Pour nous, faire du machine learning, ce n’est pas une posture technologique. Ce doit être une démarche rigoureuse, construite avec des experts du domaine concerné.

Les questions clés à se poser avant de lancer un projet :

Quelle décision le modèle est-il censé éclairer ?
Quels indicateurs seraient vraiment utiles à produire ?
Qui est le public cible du modèle ? Est-il formé pour l’utiliser ?
A-t-on besoin d’un modèle statistique complexe, ou d’un tableau croisé bien construit ?

Trois erreurs fréquentes à éviter

❌Faire du machine learning pour faire “moderne”
Une IA qui prédit tout, sans qu’on sache à quoi ça sert… n’a aucun impact. Le besoin doit précéder l’outil.

❌Choisir la méthode avant de définir le problème
Ce n’est pas parce qu’un modèle XGBoost ou un réseau de neurones marche ailleurs qu’il est adapté ici. (“ »Quand on n’a qu’un marteau, tout finit par ressembler à un clou. » A. Maslow)

❌Oublier l’appropriation
Un modèle performant mais incompris ne sera jamais utilisé. La pédagogie et la transparence sont des leviers clés. #Explicabilité-de-l’IA

En conclusion

Après plus d’une décennie de travail sur des sujets de data science en santé, je reste convaincu du potentiel du machine learning — mais pas au mythe de la boîte noire magique. Nous croyons à la co-construction, à l’utilité terrain, et à une science des données au service des décisions.

“Un bon projet IA ne commence pas par un algorithme, il commence par une bonne question.”

Retrouvez nos autres articles de blog
👉 La simulation de flux au service des soignants
👉Modéliser un parcours de soin, c’est plus que dessiner un diagramme de flux
👉Améliorer l’organisation des hôpitaux… avec des modèles mathématiques