Jumeau numérique en santé : définition, usages et limites

Les données mobilisées dépendent de l’usage. Elles peuvent inclure des comptes rendus, résultats biologiques, images médicales, traitements, antécédents, symptômes déclarés par le patient ou mesures issues d’objets connectés. Une modélisation anatomique destinée à préparer une intervention n’utilise pas les mêmes informations qu’un modèle estimant l’évolution d’un risque cardiovasculaire.

La quantité de données ne suffit pas. Leur qualité, leur date, leur contexte de collecte et leur représentativité sont déterminants. Une mesure isolée peut être exacte sans refléter l’état habituel d’une personne. À l’inverse, une série de mesures prises dans des conditions comparables peut rendre visible une tendance utile. Le rôle du professionnel reste essentiel pour relier les données au contexte clinique.

L’Union européenne a adopté en 2025 le règlement sur l’Espace européen des données de santé. Son application sera progressive. La Commission européenne indique notamment que l’échange transfrontalier des résumés de patients et des prescriptions électroniques doit devenir opérationnel dans tous les États membres à partir de 2029, tandis que d’autres catégories, comme l’imagerie et les résultats de laboratoire, suivront plus tard. Ce cadre ne crée pas automatiquement des jumeaux numériques, mais il vise à améliorer la disponibilité et l’interopérabilité des informations nécessaires à des usages de santé numérique.

Rassembler une vision longitudinale

Le premier bénéfice potentiel est organisationnel : réunir des informations dispersées afin de suivre l’évolution d’une personne dans le temps. Cette continuité peut faciliter la préparation d’une consultation et le dialogue avec les soignants. Elle ne garantit toutefois ni la qualité du dossier ni l’identification d’une cause médicale.

Représenter l’anatomie

À partir d’un scanner ou d’une IRM, certains outils produisent un modèle 3D d’un organe ou d’une région anatomique. Le chirurgien peut s’en servir pour visualiser des structures et préparer son approche. Ce type de modèle est personnalisé, mais il n’est pas toujours dynamique ou prédictif au sens strict.

Simuler des scénarios

Un modèle peut comparer plusieurs scénarios : évolution probable d’un paramètre, réponse attendue à une intervention ou conséquences possibles d’un changement de mode de vie. Une simulation reste une estimation dépendante des hypothèses, des données et du domaine dans lequel le modèle a été validé. Elle ne constitue pas une certitude individuelle.

Soutenir une prévention personnalisée

Lorsque plusieurs données sont suivies au fil du temps, le système peut aider à repérer une évolution ou à proposer un point de vigilance à discuter avec un professionnel. La prévention personnalisée consiste alors à orienter l’attention et les prochaines étapes, pas à annoncer qu’une maladie surviendra.

Les revues scientifiques décrivent un domaine en développement rapide, mais encore hétérogène. Les résultats encourageants portent sur des pathologies, organes et contextes précis. Ils ne peuvent pas être généralisés à toutes les personnes ou à toutes les décisions médicales. Les principales limites concernent la validation externe, la qualité et l’interopérabilité des données, les biais, la transparence des modèles, la sécurité et l’intégration dans les pratiques.

Toute information susceptible d’avoir une conséquence médicale doit être interprétée dans son contexte par un professionnel habilité.

L’Organisation mondiale de la Santé recommande que l’IA en santé protège l’autonomie humaine, la sécurité, la transparence, la responsabilité, l’équité et la durabilité. Ces principes sont particulièrement importants lorsqu’un modèle agrège des données intimes et produit des estimations qui peuvent influencer des décisions.

MyTwin pour les patients est une application destinée à réunir des données de santé et des technologies préventives et prédictives dans un parcours personnalisé, avec la possibilité d’échanger avec un professionnel. MyTwin ne remplace pas les professionnels de santé : les modules et usages doivent donc être appréciés selon leur finalité, leur niveau de preuve et le cadre réglementaire applicable à chaque technologie intégrée.

Pour découvrir les autres parcours, consultez également MyTwin pour les cliniciens et les histoires MyTwin.