Jumeaux numériques en santé : entre fantasme technologique et révolution silencieuse de la médecine prédictive

Détecter le développement d'une pathologie, plusieurs années avant qu'elle ne se déclare, c'est la promesse folle que l'on attribue au développement des jumeaux numériques du secteur de la santé. Un terme qui recouvre pourtant des réalités bien différentes.

Sur le stand de la French Care à SantExpo 2026, les experts réunis autour de la table ronde organisée par Bpifrance et Futura sur ce sujet ont d'emblée posé le problème terminologique. « 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 », rappelle Lionel Reichardt, le fondateur de Pharmageek. Les autres relèvent de modèles prédictifs plus ou moins avancés, utiles, certes, mais distincts.

La distinction est pourtant fondamentale. Entre le Digital Shadow, où le patient alimente un modèle de données en temps réel, sans retour, et le vrai Digital Twin, qui implique une communication bilatérale entre objet physique et objet virtuel, il y a une nuance technologique et conceptuelle. Dans le second cas seulement, les prédictions générées modifient effectivement la prise en charge du patient.

Vers une médecine du care plutôt que du cure

La simulation de l'évolution tumorale, la modélisation d'organes avant une intervention chirurgicale ou encore la préparation d'une opération complexe à partir d'un jumeau de l'anatomie du patient constituent des applications déjà en développement. Plus ambitieuses encore, les projections à l'échelle populationnelle. Simuler l'effet d'une campagne antitabac sur un bassin de population, anticiper l'impact d'un dispositif de santé publique sur un territoire, ces approches relèvent du jumeau numérique de système, distinct du jumeau individuel, mais tout aussi stratégique.

Selon Lionel Reichardt, « on est en train de passer du cure, c'est-à-dire on a quelqu'un qui arrive parce qu'il a une maladie déclenchée, à une logique de care – au lieu de regarder dans le rétroviseur, regarder dans le pare-brise de la voiture et dire qu'est-ce qui va arriver, peut arriver. Et le jumeau numérique peut nous permettre ce changement de temporalité médicale, dont on a infiniment besoin ».

Mais, la radiologue Laure Fournier, cheffe de service à l'Hôpital Européen Georges-Pompidou, rappelle : « Il y a clairement des populations qui ne sont absolument pas représentées parce qu'elles n'ont pas accès aux soins ou qu'elles n'ont pas accès à des soins numériques. Et c'est un vrai problème parce qu'après, on essaye d'utiliser ces algorithmes, par exemple, dans le dépistage de cancer du sein dans ces populations ». L’autre point important est aussi l’acceptabilité de cet outillage producteur de données alimentant les modèles de jumeaux numérique qui pourrait être jugé intrusif ou se heurter à l’illectronisme des patients.

Le jumeau numérique : l'avenir de la médecine prédictive ? Table ronde lors de SantExpo 2026. © Bpifrance

Qualité, hétérogénéité et biais des données, trois obstacles structurels

Comme pour toute technologie actuelle, les données sont aussi fondamentales. L'industrie manufacturière, qui a vu naître le concept, bénéficiait de capteurs IoT produisant des flux structurés et homogènes. La santé, elle, compose avec 300 variables par patient dans le Système national des données de santé (SNDS), pour 67 millions de lignes (population française).

Mais pour permettre un apprentissage suffisamment fiable d’une IA, une règle empirique voudrait qu'il faille 100 fois plus de lignes (taille de l'échantillon) que de variables (en-têtes de colonnes). En deçà de ce ratio, c’est ce que Jérôme Vetillard, VP R&D de la startup Qualees, appelle le « marécage » de l'entraînement pour une IA. Pour 300 variables, il faut donc 30 000 lignes minimum, une exigence que la plupart des cohortes cliniques ne peuvent pas satisfaire. C’est ce que l’on nomme le régime HDLSS (High Dimensionality Low Sample Size).

La qualité des données est également importante. Selon l’adage du « Garbage In, Garbage Out », une IA entraînée sur des données de qualité approximative sera peu fiable. Or, les données cliniques sont par essence très hétérogènes et très peu interopérables.

Laure Fournier pointe une autre fragilité souvent sous-estimée : l'implicite médical. « Un compte-rendu médical sous-entend un tas de choses. Il y a beaucoup de non-dits dans la donnée de santé quotidienne, et l'intelligence artificielle ne peut pas deviner ce qu'il y a derrière », explique-t-elle avant de pointer aussi du doigt la temporalité problématique des données historiques : « on fabrique sur des données d'hier avec l'algorithme d'aujourd'hui pour le patient de demain ».

Le modèle économique du jumeau numérique

Autre problème à résoudre pour la généralisation du jumeau numérique : l’équation économique. Le système de tarification à l'activité (T2A) récompense les actes réalisés, comme les hospitalisations, les examens, les interventions. Or, la médecine prédictive tire sa valeur précisément de ce qu'elle préserve. « 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 », résume Jérôme Vétillard.

Par ailleurs, le coût important d’un dispositif de jumeau numérique pour des bénéfices cliniques difficilement quantifiables à court terme freine quelques velléités. Le modèle de financement de la santé prédictive reste donc entièrement à inventer, pays par pays, avec des architectures de remboursement radicalement différentes selon que l'on se trouve en France, aux États-Unis ou en Chine.

La question éthique du jumeau numérique : qui est responsable ?

Reste aussi la question de la responsabilité. L'Académie de médecine est formelle : le médecin reste responsable, quoi qu'il arrive, au bout du bout. Mais cette position soulève une difficulté croissante à mesure que les outils gagnent en autonomie et en complexité. Laure Fournier pose la question frontalement : « L'humain doit toujours valider l'IA. Mais qui est cet humain ? Parce qu'on s'imagine toujours que c'est le médecin, mais ça sous-entend qu'il maîtrise extrêmement bien l'outil. »

Du côté du cadre réglementaire, l'Espace européen des données de santé (EEDS), en cours de déploiement, devrait structurer davantage les usages secondaires des données médicales. Mais une zone d'ombre persiste : les applications grand public comme les montres connectées et les applications mobiles de suivi de santé échappent à tout dispositif de validation clinique. Elles produisent pourtant un flux massif de données comportementales, au cœur même du concept de jumeau numérique.

« Il est probable que l'on se dirige vers des textes produits par les régulateurs institutionnels qui divergent quelque peu et que la régulation opérationnelle se fasse à rebours via les tribunaux et les assureurs une fois certains accidents survenus, mettant en cause une IA clinique », pressent Jérôme Vétillard.

Article rédigé en partenariat avec Bpifrance.