Tribune
Par Jean-Louis Fraysse,
Co-fondateur de BotDesign
L’approche populationnelle en prévention permet d’améliorer l’état de santé global et de réduire les inégalités en agissant sur les déterminants de santé à l’échelle des territoires. Le pilotage par la donnée, la modélisation et l’IA permettent d’identifier des sous-groupes de population afin d’anticiper les risques et de cibler les actions de manière plus efficace.
Dans cette contribution, je décris un cas fictif qui illustre comment les bases de données existantes et l’IA pourraient permettre de mettre en œuvre des actions de prévention ciblées en territoire vulnérable.
Le défi territorial des maladies chroniques
Les maladies chroniques (diabète de type 2, maladies cardiovasculaires, obésité..) concentrent plus de 60 % des dépenses de santé françaises et frappent de façon disproportionnée les territoires défavorisés. Les programmes de prévention restent trop souvent génériques et peu ciblés. La prévalence du diabète de type 2 est ainsi significativement plus élevée dans les zones urbaines sensibles, sous l’effet conjugué de déterminants structurels (précarité économique, environnement alimentaire dégradé, stress psychosocial chronique, accès aux soins limité) qui agissent sur le risque métabolique au-delà des seuls comportements individuels.
Quatre bases de données complémentaires
La démarche repose sur le croisement de quatre sources qui apportent chacune une dimension déterminante à la compréhension du risque populationnel.
Le SNDS (Système national des données de santé) constitue la colonne vertébrale du dispositif. Couvrant 99 % de la population française, il regroupe notamment les remboursements de l’Assurance maladie, les séjours hospitaliers (PMSI) et les causes de décès. Il permet de reconstituer des parcours de soins complets et d’identifier les patients en rupture de suivi.
La cohorte « Constances », et ses 200 000 adultes suivis longitudinalement, fournit des données sur les facteurs de risque individuels tels que bilans biologiques, antécédents médicaux et indicateurs socio-professionnels. Elle permet de calibrer les modèles de risque sur des profils populationnels réels.
NutriNet-Santé, avec plus de 170 000 participants actifs, documente les comportements alimentaires et les habitudes de vie. Ces données comportementales permettent d’identifier les leviers d’action préventive et de personnaliser les interventions.
Enfin, les données INSEE et Géodes (Santé publique France) permettent de contextualiser le risque à l’échelle de l’IRIS (maille géographique d’environ 2 000 habitants) en intégrant la densité médicale, l’indice de pauvreté et l’accès aux commerces alimentaires.
Le croisement de ces quatre bases permet de construire un indice de vulnérabilité populationnelle par territoire combinant risque médical, comportemental, social et d’accès aux soins qui déterminera la stratégie d’intervention.
Le jumeau numérique populationnel
Notre jumeau numérique est une réplique dynamique et computationnelle de la population cible alimentée en continu par les quatre bases et capable d’apprendre, de simuler et d’anticiper. Chaque patient virtuel est caractérisé par un profil médical (SNDS), comportemental (NutriNet), biologique (Constances) et territorial (INSEE/Géodes).
Dans un premier temps, le jumeau est construit pour simuler l’évolution naturelle de la population sans programme de prévention et pour modéliser quels territoires verront la prévalence du diabète augmenter et quels profils basculeront dans la chronicité dans les trois prochaines années. Cette prédiction permettra de décider le type et l’allocation des ressources.
Dans un deuxième temps, le jumeau teste virtuellement des dizaines de scénarios d’intervention (ateliers nutrition, dépistage mobile, consultations médicales..) afin d’identifier les stratégies les plus efficaces pour chaque profil de population avant déploiement sur le terrain.
Enfin, dans le cadre du suivi, une fois les interventions déployées, il jouera le rôle de tour de contrôle en comparant la réalité observée aux trajectoires simulées et en détectant les écarts pour proposer, sous contrôle humain, des ajustements en temps réel.
Quatre stratégies ciblées pour quatre profils de population
L’analyse des données et des simulations permet d’identifier quatre profils avec des interventions différenciées : actions d’aller-vers et unités mobiles de dépistage pour les patients à risque élevé non diagnostiqués ; éducation thérapeutique renforcée pour les patients avec maladie déclarée et mauvaise observance ; ateliers de nutrition et d’activité physique adaptés au territoire pour les profils à risque comportemental ; renforcement de l’accompagnement du médecin traitant pour les profils précaires avec recours aux soins correct. Ces propositions restent bien entendu à challenger et valider par les professionnels compétents.
Évaluation et impact projeté
L’évaluation pourrait reposer sur la méthode de « difference-in-differences » (DiD), qui compare les zones d’intervention à des zones témoins. Les indicateurs suivis incluraient par exemple la réduction des hospitalisations, l’incidence du diabète de type 2 et les taux de dépistage. En ciblant les 15 % de territoires les plus vulnérables, la seule réduction des hospitalisations en trois ans devrait permettre un retour sur investissement du coût du programme pour l’Assurance maladie.
Conclusion
Cette approche permet de dépasser les démarches génériques pour déployer des stratégies précises, adaptatives et mesurables, ancrées dans les réalités de chaque territoire. Le jumeau numérique ne remplace pas les acteurs de terrain, c’est un copilote qui leur permet d’adapter en continu leur prise en charge aux besoins réels des populations.
Sa mise en œuvre suppose des données disponibles, interopérables et de qualité ainsi qu’une volonté politique affirmée pour tester cette intelligence territoriale au service de l’égalité en santé.
