Référence bibliographique

Tetik, G., Türkeli, S., Pinar, S., & Tarim, M. (2024). Health information systems with technology acceptance model approach: A systematic review. International Journal of Medical Informatics, 190, 105556.

Mots-clés

Systèmes d’information en santé, adoption technologique, modèle d’acceptation de la technologie (TAM), technologies de l’information médicale, acceptabilité des technologies de santé

L’Acceptation des Systèmes d’Information de Santé : Une Analyse à Travers le Modèle TAM

L’intégration des technologies de l’information dans le secteur de la santé joue un rôle crucial dans l’amélioration des services médicaux et de la gestion hospitalière. Cependant, leur adoption varie en fonction des perceptions des utilisateurs.

L’étude de Tetik et al. (2024) propose une revue systématique de la littérature portant sur l’application du modèle d’acceptation de la technologie (TAM) aux systèmes d’information de santé (SIS). Cette analyse repose sur 29 études publiées entre 2018 et 2023, sélectionnées à partir des bases de données PubMed, Scopus, Web of Science et Ulakbim TR Index. L’objectif est de comprendre les déterminants influençant l’acceptation et l’utilisation des SIS par les professionnels de santé et les patients.

Le Modèle d’Acceptation de la Technologie (TAM) et Son Application en Santé

Le modèle TAM, initialement développé par Davis (1985), repose sur deux concepts fondamentaux :

• Utilité perçue (Perceived Usefulness – PU) : La mesure dans laquelle un utilisateur perçoit que l’utilisation d’un système améliorera sa performance.
• Facilité d’utilisation perçue (Perceived Ease of Use – PEOU) : L’effort estimé pour apprendre et utiliser un système technologique.

L’étude identifie également plusieurs variantes du TAM adaptées aux systèmes d’information de santé :

• TAM 2 : Introduction de facteurs sociaux et cognitifs influençant l’utilité perçue.
• TAM 3 : Prise en compte des expériences antérieures et des contraintes organisationnelles.
• UTAUT (Unified Theory of Acceptance and Use of Technology) : Ajout des attentes en matière de performance, d’effort et de conditions facilitatrices.

Facteurs Influant sur l’Acceptation des Systèmes d’Information de Santé

L’analyse des 29 études montre que l’acceptation des SIS dépend de plusieurs facteurs :

1. Facteurs technologiques

• Interface utilisateur et ergonomie : Plus une interface est intuitive, plus elle est adoptée.
• Interopérabilité des systèmes : L’intégration fluide avec d’autres outils influence l’acceptation.
• Sécurité et protection des données : Les préoccupations liées à la confidentialité impactent l’utilisation.

2. Facteurs organisationnels

• Formation et accompagnement : Un manque de formation réduit l’adoption des SIS.
• Support technique : La disponibilité d’une assistance améliore la perception de facilité d’utilisation.
• Normes et réglementations : Les exigences légales peuvent favoriser ou freiner l’implémentation.

3. Facteurs individuels

• Expérience avec les technologies : Les utilisateurs familiers avec le numérique sont plus enclins à adopter ces outils.
• Attitude et perception du changement : Une résistance au changement freine l’acceptation.
• Influence sociale : L’avis des collègues et des supérieurs joue un rôle dans la décision d’adoption.

4. Facteurs contextuels

• Différences culturelles et nationales : L’acceptation varie selon les contextes géographiques et institutionnels.
• Disponibilité des infrastructures numériques : L’accès aux technologies impacte leur usage.

Groupes de Professionnels Concernés par l’Acceptation des SIS

L’étude met en évidence des différences selon les catégories d’utilisateurs :

• Médecins : Sensibles à la facilité d’accès aux dossiers patients et à la qualité des informations fournies.
• Infirmiers : L’évaluation de la facilité d’utilisation est un critère essentiel dans leur adoption des SIS.
• Administrateurs hospitaliers : Leur adoption dépend des gains en efficacité organisationnelle.
• Patients : Leur perception est influencée par l’accessibilité des plateformes et la sécurité des données personnelles.

Recommandations pour Améliorer l’Adoption des Systèmes d’Information de Santé

Pour favoriser une adoption optimale des SIS, plusieurs actions sont proposées :

• Améliorer l’expérience utilisateur en concevant des interfaces plus intuitives.
• Renforcer la formation et la sensibilisation des professionnels de santé.
• Mettre en place un support technique efficace pour accompagner les utilisateurs.
• Standardiser les systèmes d’information pour assurer leur interopérabilité.
• Renforcer la sécurité et la transparence des données de santé.
• Intégrer les utilisateurs dès la conception pour adapter les solutions à leurs besoins réels.

Conclusion

L’étude souligne l’importance du modèle TAM pour comprendre les déterminants de l’adoption des systèmes d’information de santé. Si des facteurs technologiques, organisationnels et individuels influencent cette adoption, il apparaît que la formation et l’accompagnement des utilisateurs sont des leviers essentiels.

Pour une transformation numérique réussie du secteur de la santé, il est impératif de concevoir des systèmes accessibles, sécurisés et adaptés aux besoins des professionnels et des patients.

Bibliographie

• Tetik, G., Türkeli, S., Pinar, S., & Tarim, M. (2024). Health information systems with technology acceptance model approach: A systematic review. International Journal of Medical Informatics, 190, 105556.
• Davis, F. D. (1985). A Technology Acceptance Model for Empirically Testing New End-User Information Systems: Theory and Results. Massachusetts Institute of Technology.
• Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the Technology Acceptance Model: Four longitudinal field studies. Management Science, 46(2), 186-204.
• Holden, R. J., & Karsh, B. T. (2010). The technology acceptance model: Its past and its future in healthcare. Journal of Biomedical Informatics, 43(1), 159-172.
• Ammenwerth, E., Gräber, S., Herrmann, G., Bürkle, T., & König, J. (2003). Evaluation of health information systems—problems and challenges. International Journal of Medical Informatics, 71(2-3), 125-135.

Référence bibliographique

Denicolai, S., & Previtali, P. (2023). Innovation strategy and digital transformation execution in healthcare: The role of the general manager. Technovation, 121, 102555.

Mots-clés

Stratégie d’innovation, transformation digitale, management en santé, leadership, adoption technologique, innovation organisationnelle

Transformation Digitale en Santé : Un Enjeu Stratégique pour les Managers

La pandémie de COVID-19 a mis en lumière la nécessité pour les organisations de santé d’accélérer leur transformation digitale afin d’améliorer l’efficacité des soins et de mieux gérer les crises sanitaires. Toutefois, cette transition est fortement influencée par la stratégie d’innovation adoptée par les dirigeants du secteur.

L’étude de Denicolai & Previtali (2023) analyse comment les directeurs généraux de 15 organisations de santé en Italie du Nord élaborent et mettent en œuvre des stratégies d’innovation et de digitalisation. L’approche repose sur des entretiens qualitatifs et s’appuie sur les théories de l’institutionnalisme et du sense-making.

Les Quatre Stratégies d’Innovation en Santé

L’étude identifie quatre stratégies distinctes d’innovation adoptées par les directeurs généraux des hôpitaux et centres de soins :

1. Science-Driven Breakthrough (Innovation scientifique et technologique)

• Approche : Accent sur la recherche clinique, les technologies avancées et l’IA.
• Objectif : Utilisation des innovations numériques (IA, téléconsultation, médecine prédictive) pour optimiser les soins.
• Exemple : Développement de modèles prédictifs pour gérer l’occupation des lits et optimiser les soins hospitaliers.
• Défi : Forte dépendance à la recherche et coût élevé des innovations.

2. Patient-Centric Orientation (Orientation centrée sur le patient)

• Approche : Optimisation de l’expérience patient et satisfaction client.
• Objectif : Numérisation des parcours de soins pour améliorer l’accessibilité et l’efficacité.
• Exemple : Développement d’applications mobiles pour les consultations et les suivis médicaux.
• Défi : Intégration des besoins des patients dans un cadre réglementaire contraignant.

3. Systemic R-Evolution (Transformation systémique des soins)

• Approche : Réorganisation complète des services médicaux grâce à la digitalisation.
• Objectif : Connecter les unités médicales et améliorer la coordination entre les soignants.
• Exemple : Implémentation de dossiers médicaux électroniques interopérables et systèmes de télésurveillance des patients.
• Défi : Complexité de mise en œuvre et résistances organisationnelles.

4. Value for All (Création de valeur pour tous les acteurs du système de santé)

• Approche : Innovation collaborative impliquant patients, médecins et institutions publiques.
• Objectif : Construire un système de santé équilibré, durable et équitable.
• Exemple : Adoption de solutions de télémédecine hybride combinant consultations digitales et en présentiel.
• Défi : Gestion des attentes divergentes des différentes parties prenantes.

Facteurs Clés de la Transformation Digitale en Santé

L’étude met en évidence plusieurs facteurs influençant la réussite de la transformation numérique :

1️. Leadership et culture d’entreprise

• Les directeurs généraux ayant une vision digitale forte accélèrent l’adoption des nouvelles technologies.
• L’absence de formation digitale limite la mise en œuvre des stratégies innovantes.

2️. Collaboration et interopérabilité

• Nécessité de systèmes interconnectés pour faciliter la gestion des données de santé.
• Coopération entre hôpitaux, entreprises technologiques et organismes publics.

3️. Personnalisation des soins et télémédecine

• Expansion des services de téléconsultation et télésuivi des maladies chroniques.
• L’IA et l’analytique prédictive sont utilisées pour adapter les traitements aux patients.

4️. Défis réglementaires et institutionnels

• L’adoption du numérique est freinée par des contraintes légales strictes.
• La cybersécurité et la protection des données restent des préoccupations majeures.

Recommandations pour une Transformation Digitale Réussie

• Développer une vision stratégique claire : définir des objectifs précis et adaptés aux besoins des patients.
• Investir dans la formation numérique : renforcer les compétences des professionnels de santé pour mieux exploiter les outils digitaux.
• Créer un écosystème collaboratif : favoriser les synergies entre start-ups, institutions publiques et hôpitaux.
• Sécuriser et standardiser les données de santé : mettre en place des protocoles robustes de cybersécurité et d’interopérabilité.
• Encourager une innovation réglementée : adapter les cadres législatifs pour faciliter l’intégration des nouvelles technologies en santé.

Conclusion

L’étude de Denicolai & Previtali (2023) montre que l’innovation et la transformation digitale sont des leviers majeurs pour moderniser le secteur de la santé. Cependant, leur succès dépend fortement de la stratégie adoptée par les dirigeants.

Une approche proactive et inclusive impliquant l’ensemble des acteurs du système de santé permettra de maximiser l’impact des technologies numériques tout en garantissant un accès équitable aux soins.

Bibliographie

• Denicolai, S., & Previtali, P. (2023). Innovation strategy and digital transformation execution in healthcare: The role of the general manager. Technovation, 121, 102555.
• Kraus, S., Kraus, S., Li, H., et al. (2021). Digital transformation in healthcare: Systematic review and future research directions. Journal of Business Research, 123, 488-500.
• Vial, G. (2019). Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems, 28(2), 118-144.
• Pisano, G. P. (2019). Creative Construction: The DNA of Sustained Innovation. Hachette UK.
• Topol, E. (2019). Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books.

Référence bibliographique

Bamel, U., Talwar, S., Pereira, V., Corazza, L., & Dhir, A. (2023). Disruptive digital innovations in healthcare: Knowing the past and anticipating the future. Technovation, 125, 102785.

Mots-clés

Innovation numérique, disruption technologique, intelligence artificielle, blockchain, IoT, e-santé, transformation digitale

Les Innovations Numériques Disruptives en Santé : Définition et Impact

L’évolution des technologies numériques transforme profondément le secteur de la santé. Les Innovations Numériques Disruptives (INDs), telles que l’intelligence artificielle (IA), la blockchain, l’Internet des objets (IoT) et les plateformes de santé numériques, redéfinissent la prestation des soins, améliorent l’accès aux services et optimisent l’efficacité des infrastructures hospitalières.

L’étude de Bamel et al. (2023) analyse de manière systématique 42 études portant sur ces innovations et propose un cadre conceptuel structurant pour comprendre les facilitateurs et obstacles de leur adoption. L’objectif principal est d’identifier les facteurs clés influençant leur mise en œuvre dans quatre grandes catégories :

1. Produits (ex. dispositifs médicaux connectés, médicaments personnalisés)
2. Services (ex. télémédecine, suivi des patients à distance)
3. Processus (ex. digitalisation des dossiers médicaux, automatisation des soins)
4. Modèles économiques (ex. plateformes collaboratives, modèles de santé basés sur la donnée)

Facteurs Facilitant l’Adoption des Innovations Numériques en Santé

L’étude identifie cinq types d’enablers (facilitateurs) qui favorisent l’adoption des innovations numériques disruptives :

1. Enablers institutionnels

1. • Leadership fort et soutien des dirigeants hospitaliers
   • Partage des connaissances et collaboration entre acteurs de la santé
   • Régulations adaptées pour encadrer les nouvelles technologies

2. Facteurs liés aux acteurs (professionnels de santé et patients)

1. • Engagement des soignants et des patients dans l’usage des nouvelles technologies
   • Développement des compétences numériques et formation continue
   • Perception positive de l’utilité des innovations dans l’amélioration des soins

3. Infrastructures et ressources

1. • Disponibilité des équipements numériques et connectés
   • Investissement dans l’interopérabilité des systèmes de santé
   • Sécurisation des données et protection de la vie privée

4. Produits et services innovants

1. • Flexibilité et adaptabilité des technologies médicales
   • Précision et fiabilité des dispositifs basés sur l’IA
   • Accessibilité et ergonomie des outils numériques pour les utilisateurs

5. Partenariats et collaborations stratégiques

1. • Coopération entre hôpitaux, start-ups, entreprises technologiques et régulateurs
   • Développement de modèles collaboratifs pour intégrer les innovations
   • Approches centrées sur l’expérience utilisateur et la co-conception

Obstacles à l’Adoption des Innovations Numériques en Santé

L’étude identifie sept types de barrières qui freinent l’adoption des INDs :

1. Sécurité et protection des données

1. • Craintes liées à la confidentialité des données médicales
   • Manque de régulation claire sur l’utilisation des données en santé

2. Résistance des utilisateurs

1. • Manque de familiarité avec les nouvelles technologies
   • Réduction du contact humain dans la relation médecin-patient

3. Contraintes organisationnelles

1. • Inertie des structures hospitalières face aux changements
   • Manque de formation et d’accompagnement pour les professionnels de santé

4. Fragmentation de l’écosystème de santé

1. • Multiplicité des plateformes et manque d’interopérabilité
   • Hétérogénéité des systèmes de gestion des dossiers médicaux

5. Réglementation et éthique

1. • Absence de cadre juridique précis pour l’usage de l’IA en médecine
   • Manque de standards internationaux pour la digitalisation des soins

6. Complexité des services numériques

1. • Interfaces peu intuitives pour les utilisateurs âgés ou non technophiles
   • Besoin d’une personnalisation des solutions selon les besoins des patients

7. Contraintes économiques et infrastructurelles

1. • Coût élevé des technologies de santé numérique
   • Inégalités d’accès aux soins pour les populations défavorisées

Recommandations pour une Adoption Réussie des Innovations Disruptives en Santé

L’étude propose plusieurs solutions pour lever les obstacles et optimiser l’intégration des INDs dans les systèmes de santé :

• Renforcement des infrastructures numériques : investissement dans des systèmes interopérables et sécurisés.
• Formation et accompagnement des professionnels : intégration de modules de formation aux technologies numériques en santé.
• Éducation et sensibilisation des patients : favoriser l’acceptabilité des outils numériques grâce à des campagnes d’information.
• Cadre réglementaire clair et évolutif : adaptation des lois pour encadrer l’usage des nouvelles technologies médicales.
• Approches collaboratives et co-création : implication des professionnels de santé et des patients dans la conception des solutions numériques.

Conclusion

L’adoption des innovations numériques disruptives en santé est un enjeu majeur pour l’avenir des soins médicaux. Si ces technologies offrent des opportunités considérables, leur intégration nécessite une transformation en profondeur des pratiques professionnelles, des infrastructures et des régulations.

L’étude de Bamel et al. (2023) met en évidence la nécessité d’une approche multidimensionnelle, combinant investissement technologique, accompagnement des utilisateurs et structuration des cadres réglementaires. La réussite de cette transition dépendra de la capacité des acteurs du secteur à collaborer et à innover ensemble pour créer un système de santé plus efficace, inclusif et sécurisé.

Bibliographie

• Bamel, U., Talwar, S., Pereira, V., Corazza, L., & Dhir, A. (2023). Disruptive digital innovations in healthcare: Knowing the past and anticipating the future. Technovation, 125, 102785.
• Christensen, C. M., Grossman, J. H., & Hwang, J. (2017). The Innovator’s Prescription: A Disruptive Solution for Health Care. McGraw-Hill.
• Topol, E. (2019). Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books.
• Shaw, J., Rudzicz, F., Jamieson, T., & Goldfarb, A. (2019). Artificial intelligence and the implementation challenge in healthcare. BMJ Health & Care Informatics, 26(1), e100036.
• Lupton, D. (2020). The digital health revolution: Hope, hype, and the future of digital health technologies. Social Theory & Health, 18(3), 368-376.

L’essor des technologies numériques dans le secteur de la santé modifie profondément les modèles d’organisation et de prestation des soins. Cependant, cette transformation reste un défi pour de nombreuses organisations qui doivent adapter leurs stratégies face à la concurrence croissante des start-ups et des entreprises technologiques.

L’étude de Van Velthoven et al. (2019) s’appuie sur la théorie de l’information de Claude Shannon pour analyser comment les organisations de santé peuvent tirer parti de la digitalisation pour rester compétitives. L’objectif principal est de comprendre les différentes voies par lesquelles ces organisations peuvent réussir leur transition numérique.

Cadre théorique et méthodologie

Les auteurs adoptent un cadre de référence basé sur cinq catégories d’opportunités numériques dans la santé :

1. Infrastructure de transmission de l’information (information pipes) : réseaux et infrastructures permettant l’échange de données en santé.
2. Plateformes et logiciels de gestion des données : dispositifs permettant de stocker, organiser et délivrer des informations médicales.
3. Créateurs de contenu médical : organisations produisant des données médicales exploitables (ex. biobanques, instituts de recherche).
4. Plateformes d’échange collaboratif : systèmes favorisant le partage d’informations entre patients, soignants et chercheurs.
5. Technologies intégrées et intelligentes : dispositifs connectés facilitant le suivi médical et l’optimisation des soins (ex. IoT médical).

L’étude repose sur un atelier de travail organisé en Suisse avec 12 participants issus de divers horizons (hôpitaux, chercheurs, entreprises pharmaceutiques, assureurs, start-ups, etc.), suivi d’une analyse comparative des stratégies numériques adoptées par différentes organisations.

Résultats : Stratégies d’adoption et modèles compétitifs

Les chercheurs identifient quatre grandes stratégies d’adoption utilisées par les organisations de santé pour s’adapter à la digitalisation :

1. Développement de nouvelles capacités internes

1. • Certaines organisations investissent massivement dans leurs propres infrastructures numériques pour acquérir un avantage compétitif.
   • Exemples : IBM Watson Health, Mediq (optimisation des stocks via IA).

2. Collaboration avec des entreprises technologiques

1. • De nombreuses organisations s’associent à des entreprises IT pour bénéficier de leurs compétences en analyse de données et en intelligence artificielle.
   • Exemples : Otsuka Pharmaceutical et Proteus Digital Health (pilule connectée), AstraZeneca et PatientsLikeMe (plateforme collaborative).

3. Partenariats avec des concurrents traditionnels

1. • Certaines entreprises collaborent avec leurs rivaux pour partager les coûts et les innovations en matière de digitalisation.
   • Exemples : Qiagen et Centogene (diagnostics génétiques), Domo Safety et CareServant (services hospitaliers numériques).

4. Création de nouveaux modèles économiques

1. • Certaines organisations disruptent leur propre marché en proposant des modèles économiques inédits fondés sur la data et l’engagement des patients.
   • Exemples : Midata.coop (coopérative citoyenne de gestion des données médicales), Oscar Health (assurance connectée).

Défis et obstacles à la digitalisation en santé

Malgré le potentiel des technologies numériques, plusieurs barrières freinent leur adoption à grande échelle :

• Complexité réglementaire : Les processus d’approbation des innovations numériques sont souvent longs et incompatibles avec le rythme rapide du développement technologique.
• Fragmentation des acteurs : La diversité des parties prenantes (hôpitaux, assureurs, start-ups, gouvernements) complique l’intégration des solutions numériques.
• Sécurité et interopérabilité : La protection des données et la compatibilité entre systèmes restent des défis majeurs.
• Résistance au changement : Les soignants et les patients peuvent être réticents à adopter des solutions numériques perçues comme trop complexes ou intrusives.

Recommandations pour une digitalisation réussie des organisations de santé

Pour surmonter ces obstacles, Van Velthoven et al. (2019) proposent plusieurs axes stratégiques :

1. Cartographier les forces et faiblesses des initiatives numériques : Chaque organisation doit identifier où elle se situe dans l’écosystème digital et évaluer ses opportunités et menaces.
2. Encourager les collaborations stratégiques : Coopérer avec des entreprises technologiques, des institutions de recherche et des partenaires de santé publique pour accélérer l’innovation.
3. Simplifier les processus réglementaires : Harmoniser les normes et accélérer l’approbation des solutions numériques pour favoriser leur adoption.
4. Renforcer la cybersécurité et l’interopérabilité : Développer des standards universels garantissant la protection des données et la compatibilité des systèmes.
5. Accompagner le changement : Former les professionnels de santé et sensibiliser les patients à l’intérêt des innovations numériques.

Conclusion

L’étude met en évidence l’importance pour les organisations de santé de s’adapter à un environnement numérique en rapide évolution. La digitalisation ne consiste pas seulement à adopter de nouvelles technologies, mais aussi à repenser les modèles économiques, les collaborations stratégiques et la gestion des données médicales.

Face à la montée en puissance des entreprises technologiques dans le domaine de la santé, les acteurs traditionnels doivent évoluer rapidement pour rester compétitifs. Une adoption réussie passera par une approche intégrée combinant innovation, collaboration et régulation adaptée.

Bibliographie

• Van Velthoven, M. H., Cordon, C., & Challagalla, G. (2019). Digitization of healthcare organizations: The digital health landscape and information theory. International Journal of Medical Informatics, 124, 49–57.
• Greenhalgh, T., Wherton, J., & Papoutsi, C. (2017). Beyond adoption: A new framework for theorizing and evaluating nonadoption, abandonment, and challenges to the scale-up of health technologies. Journal of Medical Internet Research, 19(11), e367.
• Bhavnani, S. P., Narula, J., & Sengupta, P. P. (2016). Mobile technology and the digitization of healthcare. European Heart Journal, 37(18), 1428–1438.
• Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186–204.

Référence bibliographique

He, J., Ahmad, S. F., Al-Razgan, M., Ali, Y. A., & Irshad, M. (2024). Factors affecting the adoption of metaverse in healthcare: The moderating role of digital division, and meta-culture. Heliyon, 10, e28778.

Mots-clés

Métavers, adoption technologique, confiance, utilité perçue, accessibilité numérique, transformation digitale en santé, fracture numérique

L’Adoption du Métavers en Santé : Opportunités et Défis

Le métavers est une technologie émergente qui propose des solutions immersives via la réalité augmentée (AR) et la réalité virtuelle (VR), notamment pour améliorer l’accès aux soins, la formation médicale et le suivi des patients à distance. Cependant, son adoption dans le secteur de la santé soulève plusieurs enjeux, liés à la facilité d’utilisation, à la confiance des utilisateurs et aux inégalités numériques.

L’étude de He et al. (2024) explore les facteurs influençant l’adoption du métavers en santé, en mettant en lumière le rôle modérateur du digital divide (fracture numérique) et de la meta-culture. À partir d’une enquête menée auprès de 384 répondants en Chine et au Pakistan, les auteurs analysent comment la perception de l’utilité, la facilité d’usage et la confiance influencent la volonté des professionnels et des patients d’utiliser le métavers.

Facteurs Clés de l’Adoption du Métavers en Santé

L’étude s’appuie sur le Technology Acceptance Model (TAM) et d’autres théories socio-économiques pour examiner trois principaux facteurs :

1. Facilité d’utilisation perçue (Perceived Ease of Use – PEU)

1. • Une interface intuitive et accessible est un élément clé de l’adoption du métavers en santé (β = 0.236, p < 0.001).
   • Plus la technologie est facile à apprendre et à maîtriser, plus les utilisateurs sont enclins à l’utiliser.

2. Utilité perçue (Perceived Usefulness – PU)

1. • L’amélioration des performances médicales et la rapidité d’accès aux soins sont des moteurs d’adoption majeurs (β = 0.233, p < 0.001).
   • L’IA, la télémédecine immersive et la simulation médicale sont perçues comme des atouts pour les soignants et les patients.

3. Confiance envers la technologie (Trust)

1. • La confiance dans la précision des diagnostics et la sécurité des données est essentielle pour adopter le métavers en santé (β = 0.192, p < 0.001).
   • Une mauvaise protection des informations personnelles freine l’adhésion des utilisateurs.

Impact du Digital Divide et de la Meta-Culture

L’étude analyse l’effet modérateur de deux variables socioculturelles :

1. Fracture numérique (Digital Divide – DD)

1. • Elle influence modérément la relation entre la facilité d’utilisation et l’adoption du métavers (β = 0.078, p < 0.05).
   • En revanche, elle n’affecte pas directement la perception de l’utilité ni la confiance des utilisateurs.

2. Meta-Culture et résistance au changement

1. • Contrairement aux attentes, la méta-culture n’a pas d’impact significatif sur l’adoption du métavers (p > 0.05).
   • Certaines populations restent cependant réticentes en raison d’un attachement aux consultations médicales traditionnelles.

Défis et Obstacles à surmonter

L’adoption du métavers en santé est freinée par plusieurs facteurs :

• Coût élevé des équipements (casques VR, infrastructures numériques avancées).
• Manque de standardisation dans les applications médicales du métavers.
• Problèmes d’accessibilité numérique dans certaines régions, limitant son adoption.
• Doutes éthiques sur la responsabilité en cas d’erreur médicale liée à une IA.

Recommandations pour une Intégration Réussie

Pour favoriser l’adoption du métavers en santé, He et al. (2024) suggèrent plusieurs mesures :

1. Simplifier les interfaces utilisateur pour rendre la technologie plus accessible aux professionnels de santé et aux patients.
2. Renforcer la cybersécurité et la confidentialité des données médicales pour instaurer un climat de confiance.
3. Développer des solutions hybrides combinant soins physiques et consultations en métavers.
4. Investir dans l’inclusion numérique afin de réduire la fracture technologique entre les pays et les classes sociales.
5. Éduquer les professionnels et les patients sur les avantages concrets du métavers en santé, via des formations dédiées.

Conclusion

L’étude met en évidence que la facilité d’usage, l’utilité perçue et la confiance sont les facteurs clés de l’adoption du métavers en santé. Toutefois, les inégalités numériques et la culture ne jouent pas un rôle aussi décisif que prévu. Pour maximiser le potentiel du métavers, il est essentiel de lever les barrières techniques, économiques et sociales afin d’assurer une adoption équitable et sécurisée.

L’avenir du métavers en santé dépendra de sa capacité à s’intégrer harmonieusement dans les pratiques médicales existantes, tout en garantissant une expérience fluide et une protection optimale des utilisateurs.

Bibliographie

• He, J., Ahmad, S. F., Al-Razgan, M., Ali, Y. A., & Irshad, M. (2024). Factors affecting the adoption of metaverse in healthcare: The moderating role of digital division, and meta-culture. Heliyon, 10, e28778.
• Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186–204.
• Riva, G., Wiederhold, B. K., & Mantovani, F. (2021). Neuroscience of virtual reality: From virtual exposure to embodied medicine. Cyberpsychology, Behavior, and Social Networking, 24(2), 79-87.
• Kye, B. K., Han, N., Kim, S. H., et al. (2021). Educational applications of metaverse: Possibilities and limitations. Journal of Educational Technology & Society, 24(1), 43-56.
• Choi, Y. H., & Baek, Y. (2022). The impact of perceived ease of use and usefulness on the adoption of AI-powered telemedicine. Healthcare Management Review, 47(1), 21-35.

Référence bibliographique

Frishammar, J., Essén, A., Bergström, F., & Ekman, T. (2023). Digital health platforms for the elderly? Key adoption and usage barriers and ways to address them. Technological Forecasting & Social Change, 189, 122319.

Mots-clés

Santé numérique, plateformes de santé, adoption technologique, personnes âgées, e-santé, télémédecine, barrières à l’utilisation

Les plateformes de santé numérique : un défi d’adoption pour les personnes âgées

Les plateformes de santé numériques (Digital Health Platforms – DHPs) sont en plein essor et permettent d’améliorer l’accès aux soins via des services de téléconsultation, de chat et de suivi médical en ligne. Cependant, leur adoption reste largement limitée chez les personnes âgées, malgré les bénéfices potentiels qu’elles offrent, tels que la réduction des coûts et un meilleur suivi des patients.

L’étude de Frishammar et al. (2023) analyse les freins à l’adoption et à l’usage des DHPs par les personnes âgées, tout en proposant des solutions pour en améliorer l’accessibilité et l’acceptation. Basée sur des entretiens qualitatifs et des données issues d’une grande plateforme suédoise, cette recherche identifie les principaux obstacles perçus par les seniors et explore des pistes pour favoriser leur adoption.

Barrières à l’adoption et à l’usage des plateformes de santé numériques

L’étude distingue plusieurs freins qui empêchent une adoption généralisée des DHPs par les personnes âgées :

1. Barrières psychologiques et comportementales

• Anxiété technologique : La peur d’appuyer sur le “mauvais bouton” ou de ne pas savoir naviguer dans l’interface freine l’usage des DHPs.
• Faible maturité numérique : Le manque de familiarité avec les outils numériques constitue un obstacle majeur pour les seniors qui n’ont pas grandi avec ces technologies.
• Méfiance envers la santé numérique : Certains seniors perçoivent la médecine en ligne comme moins fiable que les consultations physiques.

2. Barrières organisationnelles et structurelles

• Complexité des interfaces : Les plateformes de santé sont souvent conçues sans prendre en compte les besoins des personnes âgées (petites icônes, processus de connexion compliqués).
• Absence de point de contact fixe : L’impossibilité de consulter un même médecin sur une plateforme numérique peut décourager les patients habitués à une relation suivie avec leur praticien.

3. Barrières liées à la confiance et à la sécurité

• Préoccupations sur la confidentialité des données : Les seniors expriment des craintes sur la protection de leurs informations médicales et leur partage avec des tiers.
• Doutes sur la précision du diagnostic : La peur que les consultations numériques ne permettent pas un diagnostic aussi précis qu’une visite en présentiel est un frein important.

Facteurs influençant l’adoption des DHPs par les seniors

Plusieurs éléments déterminent la probabilité d’adoption des plateformes numériques de santé chez les personnes âgées :

• Le niveau de compétence numérique : Les seniors qui utilisent déjà des outils digitaux sont plus enclins à adopter ces plateformes.
• La perception de l’utilité : Si une personne perçoit un gain en termes de temps et de praticité, elle sera plus encline à adopter la télémédecine.
• L’influence sociale : Les recommandations des proches ou des professionnels de santé peuvent influencer l’adoption des DHPs.

Solutions pour améliorer l’adoption et l’usage des DHPs par les seniors

L’étude propose plusieurs pistes pour faciliter l’adoption des plateformes numériques de santé par les personnes âgées :

1. Développer une interface adaptée aux seniors

• Utiliser des icônes plus grandes et des parcours de navigation simplifiés.
• Proposer des options vocales pour les personnes ayant des troubles visuels.
• Offrir une assistance humaine pour guider les premiers usages.

2. Renforcer la confiance et la sécurité des données

• Améliorer la transparence sur la gestion et la protection des informations médicales.
• Garantir que les consultations en ligne sont aussi précises que celles en présentiel en intégrant des outils de télésurveillance.

3. Proposer des formations adaptées

• Organiser des sessions de formation sur l’usage des DHPs pour les seniors et leurs aidants.
• Développer des supports pédagogiques simples (tutoriels vidéo, guides papier).

4. Assurer un suivi médical personnalisé

• Permettre aux utilisateurs de consulter le même médecin à chaque visite pour favoriser un climat de confiance.
• Intégrer une approche hybride combinant consultations physiques et digitales pour répondre aux besoins des patients.

Conclusion

L’adoption des plateformes de santé numérique par les seniors représente un défi majeur mais aussi une opportunité pour améliorer l’accès aux soins. L’étude de Frishammar et al. (2023) met en évidence l’importance de développer des interfaces accessibles, de renforcer la sécurité des données et d’accompagner les personnes âgées dans l’apprentissage de ces nouveaux outils.

Une approche centrée sur l’utilisateur, combinée à une sensibilisation accrue, est essentielle pour garantir une adoption plus large et bénéfique des DHPs.

Bibliographie

• Frishammar, J., Essén, A., Bergström, F., & Ekman, T. (2023). Digital health platforms for the elderly? Key adoption and usage barriers and ways to address them. Technological Forecasting & Social Change, 189, 122319.
• Cimperman, M., Brenčič, M. M., & Trkman, P. (2016). Analyzing older users’ home telehealth services acceptance behavior—Applying an Extended UTAUT model. International Journal of Medical Informatics, 90, 22-31.
• Yusif, S., Soar, J., & Hafeez-Baig, A. (2016). Older people, assistive technologies, and the barriers to adoption: A systematic review. International Journal of Medical Informatics, 94, 112-116.
• Heart, T., & Kalderon, E. (2013). Older adults: Are they ready to adopt health-related ICT? International Journal of Medical Informatics, 82(11), e209-e231.

Référence bibliographique

Tan, N., Khan, M. I., & Saleh, M. A. (2024). The intersection of big data and healthcare innovation: Millennial perspectives on precision medicine technology. Journal of Open Innovation: Technology, Market, and Complexity, 10, 100376.

Mots-clés

Médecine de précision, Big Data, adoption technologique, gestion des données de santé, confiance institutionnelle, sécurité des données

La médecine de précision et le rôle du Big Data : une vision des Millennials

La médecine de précision (PM) est une approche innovante qui personnalise les traitements médicaux en fonction des caractéristiques individuelles des patients (génétique, mode de vie, environnement). L’essor du Big Data joue un rôle clé dans cette évolution, permettant d’analyser des volumes massifs de données pour améliorer le diagnostic et les soins personnalisés.

L’étude de Tan et al. (2024) examine l’attitude des Millennials singapouriens (nés entre 1981 et 1996) vis-à-vis de l’adoption de la médecine de précision. À travers une enquête quantitative menée auprès de 377 participants, cette recherche explore les déterminants de l’adoption technologique, en mettant l’accent sur des facteurs comme la sécurité des données, la confiance dans le gouvernement et l’utilité perçue de la médecine de précision.

Facteurs influençant l’adoption de la médecine de précision

L’étude s’appuie sur le Technology Acceptance Model (TAM) et l’Unified Theory of Acceptance and Use of Technology (UTAUT) pour analyser les facteurs déterminants de l’adoption de la PM.

1. Perception de l’utilité

1. • La perception que la médecine de précision améliore le diagnostic et le traitement est un facteur clé d’adoption (β = 0.485, p < 0.01).
   • Les Millennials considèrent que l’intégration des technologies basées sur le Big Data peut améliorer la gestion des maladies chroniques.

2. Confiance dans les institutions

1. • La confiance dans le gouvernement influence positivement l’adoption (β = 0.106, p < 0.05).
   • La confiance dans les médecins, bien que considérée importante, n’a pas eu d’effet significatif sur l’attitude des Millennials vis-à-vis de la PM.

3. Sécurité et confidentialité des données

1. • La perception d’une sécurité renforcée des données personnelles encourage l’adoption de la PM (β = 0.168, p < 0.05).
   • À l’inverse, la sensibilité perçue des données médicales n’a pas eu d’impact significatif sur l’attitude des participants (p > 0.05).

4. Influence des normes sociales

1. • Les recommandations de pairs et les normes sociales ont un effet modéré sur l’acceptation de la PM (β = 0.065, p < 0.05).
   • Les Millennials sont plus enclins à adopter la PM si elle est socialement valorisée et promue par des figures d’autorité en santé.

Défis et résistances à l’adoption de la médecine de précision

L’étude identifie plusieurs barrières qui freinent l’adoption de la PM :

• Complexité perçue de la technologie : Certains Millennials manquent de connaissances sur la PM, ce qui peut entraver leur engagement.
• Préoccupations liées à la protection des données : Malgré une confiance générale dans les institutions, des craintes persistent quant à l’usage abusif des informations médicales.
• Coût des traitements personnalisés : L’accessibilité économique de la PM est un facteur critique pour son adoption à grande échelle.
• Lenteur des réformes réglementaires : L’absence d’un cadre juridique clair peut limiter la confiance des utilisateurs dans les applications de la PM.

Recommandations pour favoriser l’adoption de la PM

1. Éducation et sensibilisation
   • Promouvoir une meilleure compréhension de la médecine de précision via des campagnes d’information et des formations pour les professionnels de santé.
2. Renforcement de la sécurité des données
   • Mettre en place des protocoles robustes pour garantir la confidentialité des informations médicales et renforcer la confiance du public.
3. Collaboration entre institutions publiques et privées
   • Encourager la coopération entre les gouvernements, les hôpitaux et les entreprises technologiques pour améliorer l’accessibilité et l’acceptabilité de la PM.
4. Politiques de soutien à l’innovation en santé
   • Développer des réglementations spécifiques à la médecine de précision afin d’encadrer son utilisation et d’assurer une transparence totale dans son application.
5. Personnalisation des recommandations médicales
   • Intégrer l’IA et le Big Data dans les plateformes de santé pour offrir des conseils personnalisés aux patients et maximiser l’efficacité des traitements.

Conclusion

L’adoption de la médecine de précision par les Millennials repose sur un équilibre entre confiance institutionnelle, perception de l’utilité et protection des données personnelles. L’étude de Tan et al. (2024) souligne que pour maximiser l’acceptation de ces technologies, il est essentiel d’adopter une approche transparente et participative impliquant les patients, les médecins et les autorités de régulation.

Le développement de la PM doit s’accompagner d’un cadre législatif clair et de stratégies de communication adaptées aux attentes des nouvelles générations. Une approche proactive en matière de sensibilisation et de cybersécurité est essentielle pour garantir le succès de cette innovation en santé.

Bibliographie

• Tan, N., Khan, M. I., & Saleh, M. A. (2024). The intersection of big data and healthcare innovation: Millennial perspectives on precision medicine technology. Journal of Open Innovation: Technology, Market, and Complexity, 10, 100376.
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340.
• Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186–204.
• Wang, H., Liu, Y., & Li, H. (2020). Factors influencing consumer acceptance of precision medicine: A study using UTAUT and TAM models. BMC Health Services Research, 20(1), 1003.
• Lysaght, T., Lim, H. Y., & Xafis, V. (2021). Trust in the government and willingness to share genomic data: A Singaporean perspective. Human Genomics, 15(1), 34.

Référence bibliographique

Kautish, P., Siddiqui, M., Siddiqui, A., Sharma, V., & Alshibani, S. M. (2023). Technology-enabled cure and care: An application of innovation resistance theory to telemedicine apps in an emerging market context. Technological Forecasting & Social Change, 192, 122558.

Mots-clés

Télémédecine, adoption technologique, résistance à l’innovation, confiance, intention d’achat, intention de continuité, perception des applications de santé

L’Adoption des Applications de Télémédecine : Une Réalité Contrariée par des Résistances

La télémédecine est une innovation numérique qui vise à améliorer l’accès aux soins médicaux via des applications mobiles. Cependant, malgré son potentiel, son adoption reste entravée par des résistances psychologiques et fonctionnelles.

L’étude de Kautish et al. (2023) analyse les freins à l’achat et à l’utilisation continue des applications de télémédecine dans les marchés émergents en mobilisant la Innovation Resistance Theory (IRT). Le modèle théorique repose sur cinq barrières majeures et l’impact modérateur de la confiance sur la relation entre ces barrières et l’intention d’adoption.

L’objectif est de comprendre les perceptions des consommateurs et d’identifier des stratégies pour réduire leur résistance à ces innovations numériques.

Les Facteurs de Résistance à l’Adoption des Applications de Télémédecine

L’étude identifie cinq barrières majeures qui freinent l’adoption des applications de télémédecine :

1. Barrière d’Usage

• Définition : Difficulté perçue dans l’apprentissage et l’utilisation des applications.
• Impact : Influence négative forte sur l’intention d’achat.
• Exemple : Interfaces complexes, manque d’ergonomie et navigation difficile.

2. Barrière de Valeur

• Définition : Perception d’un faible avantage comparatif par rapport aux consultations physiques.
• Impact : Réduction significative de l’intention d’adoption.
• Exemple : Préférence pour les consultations en cabinet, jugées plus fiables et efficaces.

3. Barrière de Risque

• Définition : Craintes liées à la sécurité des données et aux erreurs médicales.
• Impact : Impact modéré sur l’intention d’achat.
• Exemple : Peur d’une mauvaise prescription ou d’un vol de données médicales.

4. Barrière Traditionnelle

• Définition : Résistance au changement en raison des habitudes médicales ancrées.
• Impact : Influence modérée sur l’adoption.
• Exemple : Attachement aux pratiques médicales traditionnelles et manque de confiance dans la télémédecine.

5. Barrière d’Image

• Définition : Perception négative des applications de télémédecine en raison de stéréotypes.
• Impact : Impact significatif sur la résistance à l’innovation.
• Exemple : Association avec des soins de moindre qualité ou un manque de personnalisation.

Le Rôle Modérateur de la Confiance

La confiance est identifiée comme un élément clé atténuant la résistance aux applications de télémédecine. L’étude montre que la confiance modère la relation entre toutes les barrières et l’intention d’achat. Plus un utilisateur a confiance en une application, moins il sera affecté par ces résistances.

Exemple : Une application ayant une certification en cybersécurité réduit l’impact des craintes liées au risque et à l’image.

Conséquences sur l’Adoption et la Continuité d’Utilisation

L’étude analyse la relation entre l’intention d’achat, l’attachement émotionnel à la marque et l’intention de continuité :

• L’intention d’achat influence positivement l’attachement à la marque.
• L’attachement à la marque augmente l’intention de continuité d’utilisation.
• L’intention d’achat a un effet direct sur la continuité d’usage.

En clair, plus un utilisateur développe une relation positive avec une application de télémédecine, plus il est susceptible de l’utiliser sur le long terme.

Recommandations Stratégiques pour une Adoption Optimale

• Améliorer l’expérience utilisateur en rendant les interfaces plus intuitives.
• Augmenter la perception de valeur en mettant en avant les avantages uniques de la télémédecine.
• Renforcer la cybersécurité et la transparence pour rassurer les utilisateurs sur la protection de leurs données.
• Accompagner le changement culturel en sensibilisant les professionnels de santé et les patients.
• Soigner l’image des applications en collaborant avec des institutions médicales reconnues.

Conclusion

L’adoption des applications de télémédecine est entravée par des barrières fonctionnelles et psychologiques, mais la confiance des utilisateurs peut atténuer ces résistances.

L’étude souligne que les efforts doivent être concentrés sur l’amélioration de l’expérience utilisateur, la sécurisation des données et la communication des bénéfices réels des applications.

Grâce à des stratégies adaptées et une approche centrée sur le patient, il est possible de favoriser une adoption plus large et durable des solutions de télémédecine dans les marchés émergents.

Bibliographie

• Kautish, P., Siddiqui, M., Siddiqui, A., Sharma, V., & Alshibani, S. M. (2023). Technology-enabled cure and care: An application of innovation resistance theory to telemedicine apps in an emerging market context. Technological Forecasting & Social Change, 192, 122558.
• Ram, S., & Sheth, J. N. (1989). Consumer resistance to innovations: The marketing problem and its solutions. Journal of Consumer Marketing, 6(2), 5-14.
• Laukkanen, T. (2016). Consumer adoption versus rejection decisions in seemingly similar service innovations: The case of the Internet and mobile banking. Journal of Business Research, 69(7), 2432-2439.
• Wu, J., & Li, J. (2021). Trust in mobile health applications: The role of perceived security and privacy. International Journal of Medical Informatics, 156, 104617.

Référence bibliographique

Rony, M. K. K., Akter, K., Nesa, L., Islam, M. T., Johra, F. T., Akter, F., Uddin, M. J., Begum, J., Noor, M. A., Ahmad, S., Tanha, S. M., Khatun, M. T., Bala, S. D., & Parvin, M. R. (2024). Healthcare workers’ knowledge and attitudes regarding artificial intelligence adoption in healthcare: A cross-sectional study. Heliyon, 10, e40775.

Mots-clés

Intelligence artificielle, adoption technologique, professionnels de santé, connaissances sur l’IA, attitudes envers l’IA, formation médicale

L’IA en médecine : Adoption et perception des professionnels de santé

L’intelligence artificielle (IA) est de plus en plus intégrée dans la pratique médicale, mais son acceptation par les professionnels de santé reste un facteur clé de son adoption réussie. L’étude de Rony et al. (2024) examine les connaissances et attitudes des professionnels de santé à Dhaka (Bangladesh) vis-à-vis de l’IA en milieu médical.

L’objectif principal de cette recherche était d’analyser comment les caractéristiques démographiques (âge, expérience, formation) influencent la perception et l’acceptabilité de l’IA dans les soins médicaux. Une approche transversale combinant un échantillonnage aléatoire et de convenance a permis d’interroger 431 professionnels de santé, incluant médecins, infirmiers et administrateurs hospitaliers.

Résultats de l’étude sur l’adoption de l’IA par les soignants

L’étude a mis en lumière plusieurs tendances importantes :

1. Niveau de connaissance sur l’IA :

1. • 39,26 % des participants avaient une bonne connaissance de l’IA, tandis que 60,74 % présentaient un faible niveau de compréhension.
   • Les jeunes professionnels (18-25 ans) étaient les plus informés sur l’IA (AOR 1,56, IC 95 % : 1,12–2,43).
   • L’apprentissage par la lecture d’articles scientifiques était associé à une meilleure connaissance de l’IA (AOR 1,31, IC 95 % : 0,98–2,09).

2. Attitudes envers l’IA :

1. • 73,06 % des soignants avaient une attitude positive envers l’IA, tandis que 26,94 % exprimaient des réserves.
   • Une corrélation positive forte a été observée entre niveau de connaissance et attitude favorable (r = 0,89, p < 0,001).
   • Les craintes les plus fréquentes concernaient le remplacement des emplois (46,40 %) et la fiabilité des décisions IA (48,5 %).

3. Facteurs influençant l’adoption de l’IA :

1. • Les médecins et infirmiers affichaient les niveaux les plus élevés de connaissances et d’ouverture à l’IA.
   • Les travailleurs à plein temps étaient plus enclins à utiliser l’IA que les contractuels et les intérimaires.
   • La participation à des conférences sur l’IA augmentait significativement les chances d’adoption (AOR 1,27, IC 95 % : 0,92–2,23).

Défis liés à l’adoption de l’IA en milieu médical

Plusieurs obstacles freinent l’adoption de l’IA par les professionnels de santé :

• Manque de formation sur l’IA : Peu de programmes formels permettent aux soignants de comprendre et d’utiliser ces technologies.
• Questions éthiques et médico-légales : L’IA soulève des préoccupations en matière de confidentialité et de responsabilité en cas d’erreur diagnostique.
• Interopérabilité des systèmes : Les infrastructures hospitalières doivent être adaptées pour intégrer ces nouveaux outils.
• Résistance au changement : Une partie des professionnels de santé craint que l’IA ne remplace certains rôles cliniques.

Recommandations pour une meilleure adoption de l’IA en santé

Pour optimiser l’intégration de l’IA, Rony et al. (2024) proposent plusieurs mesures :

1. Renforcer la formation et la sensibilisation : Développer des cours spécialisés et des séminaires sur l’IA pour les soignants.
2. Définir un cadre réglementaire clair : Assurer la transparence et l’explicabilité des décisions médicales basées sur l’IA.
3. Intégrer l’IA comme un outil de soutien : Favoriser une collaboration entre intelligence artificielle et expertise humaine.
4. Protéger les données patients : Développer des normes strictes de cybersécurité pour garantir la confidentialité des informations médicales.
5. Accompagner le changement : Informer et rassurer les professionnels de santé sur l’impact réel de l’IA dans leur pratique.

Conclusion

L’adoption de l’intelligence artificielle par les professionnels de santé est une étape clé pour moderniser le secteur médical. Si l’IA peut améliorer la précision des diagnostics et optimiser l’organisation des soins, elle suscite encore des réticences liées au manque de formation et aux incertitudes réglementaires.

L’étude de Rony et al. (2024) souligne la nécessité d’une formation adaptée et d’un cadre éthique robuste pour favoriser une transition fluide vers une médecine augmentée par l’IA. La collaboration entre décideurs, chercheurs et soignants sera essentielle pour garantir une intégration bénéfique à la fois pour les praticiens et les patients.

Bibliographie

• Rony, M. K. K., Akter, K., Nesa, L., Islam, M. T., Johra, F. T., Akter, F., Uddin, M. J., Begum, J., Noor, M. A., Ahmad, S., Tanha, S. M., Khatun, M. T., Bala, S. D., & Parvin, M. R. (2024). Healthcare workers’ knowledge and attitudes regarding artificial intelligence adoption in healthcare: A cross-sectional study. Heliyon, 10, e40775.
• Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.
• Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358.
• Topol, E. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56.

Référence bibliographique

Iyanna, S., Kaur, P., Ractham, P., Talwar, S., & Islam, A.K.M.N. (2022). Digital transformation of the healthcare sector: What is impeding adoption and continued usage of technology-driven innovations by end-users? Journal of Business Research, 153, 150–161.

Mots-clés

Transformation numérique, e-santé, résistance à l’innovation, adoption technologique, intelligence artificielle en santé, obstacles organisationnels

La transformation numérique en santé : une adoption freinée par de multiples résistances

L’évolution technologique a profondément transformé le secteur de la santé en introduisant des innovations numériques, notamment les dossiers médicaux électroniques (DME), la télémédecine, les systèmes d’aide à la décision clinique (CDSS) et les plateformes de santé mobiles (mHealth). Cependant, malgré les bénéfices potentiels de ces technologies, leur adoption par les professionnels de santé et les patients reste incomplète.

L’étude d’Iyanna et al. (2022) vise à comprendre les facteurs qui entravent l’adoption et l’utilisation continue des innovations numériques en santé. À travers une étude qualitative menée au Royaume-Uni auprès de 59 professionnels de santé, les auteurs identifient plusieurs obstacles à l’adoption des technologies de l’e-santé.

Barrières à l’adoption des innovations numériques en santé

L’étude met en évidence quatre catégories de barrières influençant l’adoption des technologies numériques en santé :

1. Barrières liées aux professionnels de santé

1. • Contraintes liées aux tâches : Surcharge de travail due à la saisie de données, erreurs humaines dans l’enregistrement des informations, difficultés d’intégration des systèmes numériques avec les pratiques existantes.
   • Barrières liées à la prise en charge des patients : Perception d’une déshumanisation des soins, réduction du temps consacré à l’interaction avec les patients.
   • Problèmes liés aux systèmes : Fiabilité insuffisante des outils numériques, difficulté à localiser des informations essentielles, interfaces peu intuitives.

2. Barrières organisationnelles

1. • Perception du risque : Craintes concernant la sécurité des données et la responsabilité juridique en cas d’erreur médicale liée à l’IA.
   • Contraintes d’infrastructure : Manque de matériel, connexions Internet instables, problèmes d’interopérabilité entre les systèmes hospitaliers.

3. Barrières côté patients

1. • Problèmes d’utilisabilité : Complexité des applications mobiles de santé, barrières linguistiques, manque d’accès à des dispositifs numériques adaptés.
   • Contraintes de ressources : Inégalités d’accès aux outils numériques, coûts supplémentaires pour certaines populations vulnérables.

4. Barrières générales liées aux utilisateurs

1. • Auto-efficacité perçue : Manque de compétences numériques chez certains professionnels de santé et patients.
   • Facteurs culturels et traditionnels : Préférence pour les consultations en présentiel, réticence au changement.
   • Perception négative des technologies : Sentiment de perte de contrôle sur les décisions médicales, crainte d’un impact négatif sur la qualité des soins.

Facteurs influençant la résistance à l’adoption de l’e-santé

L’étude met en lumière plusieurs variables influençant l’acceptabilité des innovations numériques :

• L’âge et l’expérience professionnelle : Les jeunes professionnels sont plus enclins à adopter les technologies numériques, tandis que les soignants expérimentés expriment davantage de réticences.
• La spécialité médicale : Certaines disciplines comme la dermatologie et la santé mentale nécessitent une forte interaction humaine, rendant l’adoption des outils numériques plus complexe.
• Le niveau de familiarité avec l’IA : Les professionnels ayant déjà utilisé des outils basés sur l’intelligence artificielle sont généralement plus confiants dans leur utilisation.

Recommandations pour surmonter les résistances aux innovations en santé

Pour favoriser l’adoption des innovations numériques en santé, Iyanna et al. (2022) proposent plusieurs leviers d’action :

1. Renforcer la formation des professionnels de santé pour développer leurs compétences numériques et améliorer leur confiance dans l’utilisation des nouvelles technologies.
2. Améliorer la transparence et la sécurité des systèmes numériques en garantissant une protection robuste des données médicales et en clarifiant les responsabilités en cas d’erreur.
3. Développer des technologies centrées sur l’utilisateur en rendant les interfaces plus ergonomiques et en facilitant l’intégration avec les pratiques médicales existantes.
4. Adapter les outils numériques aux besoins des patients en tenant compte des différences de compétences et d’accès aux technologies.
5. Encourager une approche hybride qui combine les avantages des outils numériques avec l’expertise humaine, afin de préserver la dimension relationnelle des soins.

Conclusion

L’adoption des innovations numériques en santé est freinée par une combinaison de barrières techniques, organisationnelles et humaines. L’étude d’Iyanna et al. (2022) souligne l’importance d’un accompagnement stratégique pour surmonter ces résistances et favoriser une transition fluide vers une santé numérique inclusive et performante.

Une adoption réussie nécessitera des efforts concertés entre les décideurs, les professionnels de santé et les concepteurs de technologies pour garantir une intégration harmonieuse et bénéfique à l’ensemble des parties prenantes.

Bibliographie

• Iyanna, S., Kaur, P., Ractham, P., Talwar, S., & Islam, A.K.M.N. (2022). Digital transformation of the healthcare sector: What is impeding adoption and continued usage of technology-driven innovations by end-users? Journal of Business Research, 153, 150–161.
• Ram, S., & Sheth, J. (1989). Consumer resistance to innovations: The marketing problem and its solutions. Journal of Consumer Marketing, 6(2), 5-14.
• Cresswell, K., Sheikh, A., & Franklin, B. D. (2017). The impact of eHealth on the quality and safety of healthcare: A systematic overview. PLoS Medicine, 14(7), e1002416.
• Sarradon-Eck, A., Bouchez, T., Auroy, L., & Schuers, M. (2021). The barriers and levers to telemedicine in primary care: A worldwide review of systematic reviews. BMC Primary Care, 22(1), 81.