Les jumeaux numériques médicaux pourraient révolutionner la médecine personnalisée et les soins de santé par l'IA

Le concept de jumeau numérique médical a suscité un engouement considérable dans les sphères scientifique et publique, mais aucun consensus formel n'existait sur ce qui en constitue véritablement un — jusqu'à présent. Des chercheurs de Stanford, Harvard, Beth Israel Deaconess et de l'Institute for Systems Biology ont publié un article de politique de santé dans The Lancet Digital Health (juillet 2025) établissant un cadre rigoureux en cinq composantes qui distingue les véritables jumeaux numériques médicaux des modèles d'IA ou mécanistiques autonomes de plus en plus souvent rebaptisés sous cette étiquette. Les auteurs soutiennent que cette clarté définitionnelle est essentielle pour éviter que le concept ne soit dilué et qu'il échoue finalement à tenir ses promesses transformatrices pour la médecine personnalisée.

Les cinq composantes transposent directement le paradigme du jumeau numérique issu de l'ingénierie vers la médecine : (1) le patient (analogue à l'objet physique), caractérisé par des flux de données multimodaux comprenant des analyses de laboratoire, de l'imagerie, du séquençage et des objets connectés ; (2) la connexion de données, qui harmonise des données cliniques hétérogènes et non structurées grâce à l'extraction de caractéristiques pilotée par l'IA et à la fusion de données ; (3) le patient-in-silico, un modèle computationnel dynamique qui reproduit les processus biologiques et prédit leur évolution dans le temps et en fonction des traitements ; (4) l'interface, proposée sous la forme d'un grand modèle de langage (LLM) intermédiaire qui traduit les sorties complexes du modèle en recommandations cliniquement exploitables assorties d'une quantification de l'incertitude ; et (5) la synchronisation du jumeau, la mise à jour continue ou déclenchée par des événements du modèle au fur et à mesure que de nouvelles données patient deviennent disponibles — la caractéristique déterminante qui distingue un jumeau numérique d'un modèle statique.

La thèse centrale de l'article est que ni l'IA ni la modélisation mécanistique seule ne sont suffisantes pour constituer un patient-in-silico de haute fidélité. Les modèles mécanistiques (par exemple, les équations différentielles régissant la dynamique des récepteurs à l'insuline dans le diabète ou la cinétique de croissance tumorale dans le cancer) sont biologiquement fondés, mais nécessitent des hypothèses simplificatrices et sont difficiles à paramétrer à partir de données patients réelles. Les modèles d'IA pure peuvent générer des prédictions sans connaissance a priori des mécanismes de la maladie, mais manquent d'interprétabilité et peuvent échouer en dehors de leur distribution d'entraînement. Les auteurs proposent les réseaux de neurones hybrides informés par la physique et des approches similaires, qui intègrent des contraintes biologiques dans des architectures d'IA, comme la voie la plus prometteuse, citant comme exemples des réseaux de neurones récurrents prédisant les changements de forme des tumeurs pulmonaires au cours des cycles de radiothérapie et l'accumulation de mutations somatiques dans les cellules cancéreuses.

La couche de fusion de données fait l'objet d'une attention particulière. L'article met en avant la radiogénomique — combinant données d'imagerie et données génomiques — comme une réussite de validation de principe. Une étude de 2019 sur le médulloblastome, fusionnant données transcriptomiques et données d'imagerie, a identifié des caractéristiques d'imagerie prédictives de sous-groupes moléculaires aux résultats cliniques distincts. Plus généralement, la fusion de données issues du protéome, du métabolome, du microbiote intestinal, du génome et des valeurs de laboratoire cliniques a démontré sa capacité à prédire les transitions d'un état de bonne santé vers des états de maladie précoce. Les technologies portables et les biopsies liquides (détectant l'ADN tumoral circulant à partir d'une simple prise de sang) sont présentées comme permettant une acquisition de données continue et itérative qui alimente la synchronisation du jumeau dans les contextes oncologiques.

L'interface LLM proposée répond à un écart translationnel critique : même un modèle patient-in-silico parfait est cliniquement inutile si les médecins ne peuvent pas interagir avec lui de manière significative. Les auteurs envisagent un LLM interrogeant le patient-in-silico au nom de l'équipe clinique — par exemple, en simulant les effets comparatifs de différents protocoles de chimiothérapie — et restituant les résultats contextualisés dans le cadre des recommandations cliniques, avec une quantification de l'incertitude signalant les domaines où la confiance du modèle est faible. L'article aborde également l'équité en santé mondiale, notant que dans les pays à revenus faibles et intermédiaires où les ratios patients/médecins dépassent largement les recommandations de l'OMS, les jumeaux numériques médicaux pourraient servir de multiplicateurs de force pour les systèmes de santé sous-dotés en ressources. Les auteurs reconnaissent que les cadres réglementaires, les normes de confidentialité des données et les pipelines de validation pour le déploiement clinique restent des défis ouverts significatifs.