La modélisation fine d’un patient ou de ses organes par un JN permet d’envisager une meilleure prise en compte de ses particularités pour sa prise en charge médicale, voire même pour la conception de nouvelles thérapeutiques. Le projet SIMBIOTX ( simulations in medicine, biotechnology and toxicology of multicellular systems ), piloté par l’Institut national de recherche pour les sciences et technologies du numérique (INRIA), vise à la personnalisation des traitements et à la création de patients virtuels numériques en développant à la fois de nouveaux modèles dynamiques, capables de suivre l’évolution spatiotemporelle de systèmes in vitro et in viv o, et des outils macroscopiques de simulation du flux sanguin [ 7 ]. Les projets de recherche & développement les plus avancés s’observent dans le champ de la cardiologie (chirurgie ; dispositif médical implantable ; diagnostic), grâce à la bonne connaissance de la physiologie cardiaque et à l’existence de nombreux modèles associés [ 8 – 10 ].

Dans le domaine des dispositifs médicaux, la prise en compte de la morphologie d’une lésion permet d’y adapter la prothèse ou l’orthèse qui lui est destinée, et ainsi d’améliorer la qualité du dispositif grâce à sa conception personnalisée et un meilleur suivi dans le temps. Un large consortium public-privé, Living Heart Project/SIMULIA , impliquant notamment la société Dassault et la FDA ( Food and Drug Administration ) américaine, s’est constitué autour du JN du cœur afin de développer des dispositifs médicaux implantables. La startup Predisurge développe des JN d’anévrismes de l’aorte par reconstruction en trois dimensions (3D) de la zone anatomique ciblée à partir d’images de scanner pour fabriquer des endoprothèses spécifiques à chaque patient et aider le chirurgien à préparer son intervention [ 11 ].

Dans le domaine chirurgical, les techniques de simulation pré- et per-opératoire permettent d’indiquer préventivement des adaptations de la technique chirurgicale, de la conduite de l’anesthésie et/ou du suivi post-opératoire nécessaires pour chaque patient. Les outils de suivi de la déformation du modèle anatomique en fonction du geste réalisé permettent de prévoir une adaptation au patient lors d’opérations complexes, comme le système Sim&Size ™ de la société Sim&Cure dans le cas de l’anévrisme cérébral [ 12 ]. L’intégration des données de suivi ( monitoring ) dans un modèle physiologique permettront de mieux comprendre l’évolution d’un patient, surtout lorsque ces données sont mises à jour régulièrement.

L’approche JN se prête également à la création d’outils logiciels d’aide à la décision diagnostique ou thérapeutique. L’utilisation de données biologiques et cliniques actualisées, couplée à un modèle spécifique du patient pour une indication, ouvre de nouvelles perspectives pour une médecine 6P [ 13 , 14 ]. En pharmacologie, le couplage d’une modélisation du comportement d’une molécule à des données de patient pertinentes, présente de nombreux avantages afin de prédire la réponse médicamenteuse individuelle et de prévenir les effets indésirables. Une telle modélisation permettrait l’amélioration de l’observance des patients et un meilleur pilotage thérapeutique grâce à l’anticipation de l’effet d’une molécule sur l’organisme. Ces approches sont développées particulièrement en oncologie, en raison de la complexité de la prise en charge médicamenteuse des patients [ 15 ].

Au-delà du médicament, la simulation des équipements médicaux présente également un enjeu important si un JN permet de prédire les conséquences de leur utilisation pour le patient. La société Siemens développe ainsi un modèle multiphysique de ventilateur médical intégrant les données du patient et celles relevées par le dispositif médical, qui aide le praticien dans sa prise de décision. Cette société a également créé une seringue connectée en couplant un modèle de cœur et un modèle de seringue alimentés par les données du patient pour simuler les conséquences d’une injection [ 16 , 17 ].

L’usage à grande échelle des données cliniques historiques accessibles dans une même indication ainsi que celui plus récent des données issues de l’IoT ont élargi les possibilités d’amélioration de la conduite des évaluations cliniques. La modélisation de telles données permet la construction de « patients synthétiques » constituant tout ou partie de bras témoins d’essais comparatifs (voir la revue [ 18 ]). L’usage de tels patients synthétiques permet de construire des études cliniques à un seul bras interventionnel plus robustes, de diminuer les risques iatrogènes et de conduire des essais cliniques pour lesquels certaines données cliniques sont manquantes ou pour des maladies rares ou graves posant un problème éthique lié à l’administration d’un placebo.

Notons que les patients synthétiques ne sont pas des JN, car ils sont en général construits par une approche statistique fondée sur des données préexistantes qui ne sont pas intégrées dans un modèle. À ce jour, il n’existe pas d’essais cliniques construits ou conduits à l’aide de JN de patients. Quelques projets envisagent en ce sens que les JN de patient pourraient aller plus loin que les patients synthétiques, en combinant les données agrégées d’essais cliniques historiques et/ou d’autres données externes (IoT ou dispositifs médicaux connectés) avec les données spécifiques et actualisées d’un patient inclus dans l’essai. Sous réserve de validation des modèles, ils pourraient servir à la construction d’essais in silico lorsque la technologie sera plus mature [ 19 ].

À noter, Unlearn AI et Merck développent une technique de JN de patients pour la conception d’essais cliniques [ 20 – 24 ] et la société Nvidia développe avec l’université de Floride un outil utilisant l’IA, le SynGatorTron [ 25 , 26 ], pour construire un groupe témoin à partir de dossiers patients [ 23 – 25 ]. Du fait de son rôle central dans la recherche clinique, il apparaît important que l’hôpital se saisisse des enjeux liés au développement de ces nouveaux formats d’essais cliniques.

Outre leur utilisation en clinique, les JN permettent également d’acquérir de nouvelles connaissances sur les systèmes complexes grâce à la représentation virtuelle (comme des opérations virtuelles réalisées sur un JN de cœur et de foie par exemple) et à la modélisation des mécanismes physio-pathologiques. À ce titre, ils peuvent servir de support à la formation et à l’entraînement des professionnels de santé, tels les chirurgiens.

Comme pour les autres secteurs industriels, le JN ouvre de multiples possibilités pour optimiser la gestion et l’organisation des établissements de soin, dans une optique de réduire les coûts grâce à une amélioration des performances. Les applications sont nombreuses : JN pour optimiser les parcours-patient, pour gérer la maintenance des équipements, ou pour créer un environnement sécurisé et optimisé [ 7 ].

Un hôpital peut être modélisé par un JN dès sa conception et jusqu’à son exploitation : couplage des « données froides », représentant les patrimoines immobilier et mobilier, avec les « données chaudes », représentant tous les flux de données recueillies via différents capteurs [ 27 ]. Au quotidien, le JN permettrait de gérer les flux de patients à l’hôpital et d’optimiser la gestion des lits et du personnel. Le centre hospitalo-universitaire et l’école des Mines de Saint-Étienne ont, par exemple, développé un JN du service des urgences, alimenté en temps réel par le système d’information de l’hôpital. Il permet de prévoir l’activité à quelques heures ou jours en fonction des scénarios choisis. Il est prévu qu’il soit étendu à l’ensemble de l’hôpital.

La modélisation des infrastructures permet aussi de se préparer aux situations exceptionnelles et d’adapter les organisations en conséquence par le test de différents scénarios de crises. Dans un contexte épidémique par exemple [ 28 ] ( → ) faire varier les paramètres comme le nombre et l’ampleur des clusters sur un territoire, le taux de personnels contaminés, le nombre de respirateurs disponibles, peut permettre de tester la fiabilité de l’organisation et de mener des actions préventives.

(→) Voir la Synthèse de S. Bertezene, m/s n° 8-9, août-septembre 2022, page 663

La plupart des projets de JN à visée médicale actuellement en développement utilisent des algorithmes d’IA associés à des logiciels ou des applications, et alimentés par des données personnelles. Les futurs produits du JN seront soumis à la réglementation des dispositifs médicaux, à laquelle viendra s’ajouter le nouveau règlement européen sur l’IA prévu pour 2024. L’utilisation et l’accès aux données de santé à caractère personnel alimentant l’IA sous-jacente sont aussi encadrés par la Loi : en France, la loi Informatique et Libertés de 1978, complétée par le Règlement européen sur la protection des données personnelles (RGPD) entré en vigueur en 2018.

L’utilisation massive de données et de technologies d’IA dans le cadre des projets de JN exacerbe les risques qui y sont associés, notamment la maîtrise et la sécurisation de l’accès aux données personnelles et la notion d’explicabilité. D’un point de vue éthique, les plus hauts standards de qualité et de transparence des données et des modèles utilisés sont indispensables pour s’assurer de la validité médicale de la simulation d’une part et de la confiance des acteurs d’autre part. La logique de l’algorithmie pilotant les modèles de JN doit pouvoir être intelligible par les utilisateurs, en particulier les professionnels de santé, qui restent les garants et les responsables des décisions médicales prises à l’aide de tels outils. Ces principes éthiques doivent donc être pris en compte dans la construction des JN dès leur conception. Ces nouveaux outils numériques doivent ainsi respecter les standards de la médecine fondée sur les preuves [ 29 ], s’inscrire dans un cadre global de transformation de la pratique du soin, et intégrer la notion de « garantie humaine de l’IA » dans la réglementation [ 30 ].

Le choix des jeux de données pertinents pour assurer le bon fonctionnement d’un modèle de JN est critique. Le volume de données, nécessitant souvent une mise en qualité, et le manque de connaissances actuelles sur les significations physiologique et pathologique de certaines données, posent de manière aiguë le problème de la pertinence de leur inclusion dans un JN, ainsi que celui de la validation de cette inclusion. Le même problème se pose, avec aggravation, pour leur prise en compte dans l’évolution dans le temps de l’actif que reflète le JN. Nombre de JN sont construits sur des méthodes d’apprentissage automatique, leur conférant une grande puissance apparente, mais induisant le risque d’apprentissage d’une coïncidence, et l’opacité des résultats de leur utilisation. De même que pour les enjeux éthiques, ces problématiques doivent être prises en compte dans l’élaboration des systèmes algorithmiques ainsi que dans la méthodologie d’évaluation des futurs JN. Plusieurs pistes d’actions pour contrer cet effet « boîte noire » sont explorées ² [ 31 ].

Les essais cliniques présentent des limites méthodologiques spécifiques, du fait de leur conception et de leur rôle central pour l’évaluation des thérapeutiques. Il est donc nécessaire de s’assurer notamment que l’utilisation de modèles type JN de patients, pour des essais mixtes ou in silico , offre un niveau de preuve suffisant : garantie du lien de causalité que permet la randomisation, estimation correcte de la variabilité et des effets contrefactuels, maîtrise des biais. Dans tous les cas, la valeur probante dépend de la preuve de la qualité des modèles utilisés.

Enfin, l’évaluation médico-économique des JN ne devrait pas différer de celle de toute autre technologie médicale, les critères de jugement étant indépendants de la nature de la technologie employée. En revanche, le périmètre tant des consommations de ressources que celle des impacts à prendre en compte peut s’avérer plus délicat à définir que pour, par exemple, un dispositif médical ou même une organisation.

L’adoption du JN à l’hôpital nécessite une coordination entre directions opérationnelles et directions des investissements, car il doit s’intégrer dans la stratégie et le budget de l’institution. La collecte et le stockage de quantités massives de données brassées par les JN doivent être structurés et organisés autour d’une flotte d’équipements dédiés. Leur analyse et le fonctionnement des modèles nécessitent une importante puissance de calcul et des outils informatiques adaptés, tels que de nouvelles techniques de stockage et d’analyse, actuellement déployés par des acteurs privés. Des partenariats publics-privés, prenant en compte les aspects liés à la propriété intellectuelle, seront donc vraisemblablement requis pour s’assurer l’accès à des données médicales à forte valeur ajoutée, ainsi qu’à de la puissance de calcul, etc.

La quantité et l’hétérogénéité (sources multiples, nature, qualité) des données intégrées dans les modèles de JN posent des enjeux techniques propres. Des standards devront être établis pour assurer l’interopérabilité des systèmes d’information hospitaliers, la résilience informatique (fonctionnement en mode dégradé pour maintenir la continuité du soin en toutes circonstances) et la sécurité des données (gestion des accès, protection de la donnée personnelle, cybersécurité).

L’intégration du JN à l’hôpital nécessitera une montée en compétences et un changement culturel pour ancrer l’interdisciplinarité et la transversalité nécessaires aux nouvelles pratiques liées à la diffusion des JN, à la fois dans les parcours de soin des patients et pour le pilotage hospitalier. La confiance et l’adhésion de tous les acteurs (cadres administratifs, professionnels de santé, patients) requerront des évaluations scientifiques rigoureuses.