AI Entreprises de voix et de workflows dans le secteur de la santé : un cadre de due diligence pour les investisseurs en croissance

1. Définir la thèse d’investissement autour d’une tâche à accomplir bien délimitée

Les sociétés de AI dédiées à la voix et aux flux de travail dans le secteur de la santé devraient être évaluées autour d’une tâche à accomplir bien délimitée. L’investisseur doit préciser quel utilisateur effectue quelle tâche, dans quel cadre de soins, à partir de quelle entrée, pour produire quelle sortie, avec quelle obligation de revue et quel résultat économique mesurable. « AI pour la santé » est trop large pour étayer une due diligence. La documentation ambiante pour les cliniciens en ambulatoire, les appels patients autonomes, les résumés de transmission pour patients hospitalisés, les suggestions de codage et la préparation des autorisations préalables occupent des positions cliniques, réglementaires et économiques différentes.

Le périmètre produit doit distinguer la capture, la transcription, l’extraction, la synthèse, la recommandation, la préparation d’actions et l’exécution d’actions. La capture enregistre ou diffuse en flux la parole. La transcription convertit l’audio en texte. L’extraction identifie des faits spécifiés. La synthèse condense l’information. La recommandation propose un jugement ou une étape suivante. La préparation d’actions crée une ordonnance, un message, une demande de prise en charge ou une tâche à examiner. L’exécution d’actions modifie un dossier, lance une communication ou a un effet sur les soins. Le risque augmente à mesure que le produit passe de la représentation au jugement et à l’exécution.

La thèse doit identifier l’acheteur, le budget, le bénéficiaire et le détenteur du droit de veto. Un directeur de l’information médicale peut parrainer le dossier clinique. Les opérations peuvent être responsables du déploiement. Les équipes de sécurité et de protection de la vie privée peuvent approuver les flux de données. La finance peut exiger un argumentaire de productivité ou de rétention. Les cliniciens et les patients déterminent l’adoption pratique. Les achats peuvent imposer des conditions d’intégration, d’assurance et contractuelles. Une entreprise peut avoir des utilisateurs enthousiastes et une vente B2B bloquée lorsque ces rôles ne sont pas alignés.

La question de due diligence est donc causale : le produit crée-t-il une amélioration reproductible dans un flux de travail à forte valeur, sous les contrôles exigés par les clients, à un coût de déploiement et de support qui permet une économie unitaire durable ? La réponse doit être testée au moyen de preuves issues des flux de travail, des performances en production, des droits, des données de cohorte et des références clients. L’enthousiasme du marché, la qualité des démonstrations et la sophistication des modèles restent des éléments de contexte.

Tableau 1. Cartographie du périmètre produit et de l’usage prévu

La classification et les obligations exigent des conseils juridiques et réglementaires propres à chaque juridiction.

2. Cartographier le flux de travail complet avant d’évaluer le modèle

La précision du modèle n’a de sens qu’au sein d’un flux de travail. La due diligence doit commencer par une observation directe, des éléments de preuve issus des écrans, des journaux système et des entretiens utilisateurs qui reconstituent le processus actuel et le processus proposé. La cartographie commence avant que le modèle ne reçoive des données et se termine après l’action finale de l’utilisateur, le rapprochement en aval et le traitement des exceptions. Elle doit montrer les identités, les systèmes, les files d’attente, les transferts, les points de revue, les états d’attente et la reprise après défaillance.

Pour la documentation ambiante, le flux de travail peut inclure la notification ou le consentement du patient, la sélection du microphone, le démarrage de la session, la séparation des locuteurs, la transmission audio, la transcription, l’extraction structurée, la génération de notes, la revue par le clinicien, la modification, l’attestation, le codage, la réécriture dans le dossier et la suppression ou la conservation. Chaque étape peut échouer indépendamment. Une bonne transcription peut néanmoins produire une mauvaise note. Une bonne note peut néanmoins accroître la charge de travail lorsque la navigation dans le DSE, la sélection de modèle, l’attribution ou la signature sont malaisées.

La cartographie doit consigner le temps et la qualité pour l’ancien et le nouveau processus. Le temps gagné pendant la dictée peut être compensé par la modification, la recherche, les interruptions de flux de travail ou les corrections en dehors des heures de travail. Un produit peut transférer le travail des cliniciens vers des assistants médicaux, des codeurs, des équipes de support ou le personnel de mise en œuvre. L’investisseur doit quantifier la charge de travail totale du système et identifier qui l’absorbe.

L’adéquation au flux de travail varie également selon la spécialité et le type de consultation. Une courte consultation de soins primaires, une consultation pédiatrique avec plusieurs locuteurs, une consultation en santé mentale, une visite aux urgences et une discussion de consentement chirurgical ont des vocabulaires, des règles d’alternance des tours de parole, des structures de confidentialité et de documentation différents. L’échantillon de due diligence doit représenter le plan d’expansion commerciale plutôt que le cas d’usage actuel le plus facile.

La cartographie identifie toute la chaîne de contrôle ; les flux de travail réels varient selon le produit, le cadre de soins et la juridiction.

3. Construire la salle de preuves autour de la réalité de production

La salle de due diligence doit être organisée autour des affirmations qui comptent pour les clients et les investisseurs. Pour chaque affirmation, l’entreprise doit fournir la définition, la population mesurée, la période, le comparateur, le système source, les exclusions, la méthode statistique, le responsable et le résultat reproductible. Les preuves doivent distinguer les tests internes, les pilotes clients, les déploiements en production, les études évaluées par les pairs et les estimations marketing.

Les documents de base comprennent les spécifications produit, les déclarations d’usage prévu, les fiches de modèle, les plans de validation, les jeux de données de test, les historiques de versions, les journaux d’incidents, les dossiers de sécurité clinique, les évaluations de confidentialité, les rapports de sécurité, les schémas d’architecture, les cartographies des flux de données, les contrats clients, les accords de partenaire commercial, les listes de sous-traitants ultérieurs, les plans de mise en œuvre, les tickets de support, les relevés de disponibilité, les éléments probants sur l’intégration du dossier de santé électronique (DSE), les revenus par cohorte, les factures, les factures cloud et les autorisations de référence client. La liste des demandes doit relier chaque document à une question d’investissement.

Les journaux de production méritent une attention particulière. Ils peuvent montrer les tentatives d’épisode de soins, les saisies réussies, les abandons, la latence, la génération de résultats, le temps de revue, la distance d’édition, l’acceptation, l’écriture en retour, les erreurs, les contournements et les événements de support. L’évaluateur doit réconcilier les définitions d’événements entre versions. Un indicateur peut s’améliorer parce qu’un épisode de soins échoué ou difficile a disparu du dénominateur. Une version de produit peut modifier la journalisation avant de modifier la performance.

La salle de données doit conserver les éléments probants négatifs. Les pilotes échoués, les cohortes à faible adoption, les préoccupations de sécurité, les restrictions liées aux droits sur les données, les intégrations non rentables et l’attrition client peuvent révéler les limites de la répétabilité. La direction doit expliquer si le problème provient de la capacité du produit, de la conception des flux de travail, de la préparation du client, du prix, de la mise en œuvre, de la gouvernance ou de la concurrence. L’investisseur peut alors vérifier si le plan actuel traite la cause.

Tableau 2. Inventaire des éléments probants pour la due diligence d’un investisseur de croissance

La profondeur requise doit refléter l’usage prévu du produit, l’empreinte clientèle et l’importance de la transaction.

4. Créer un registre des droits sur les données pour chaque finalité de traitement

Une entreprise du secteur de la santé AI peut détenir des données sans détenir tous les droits requis par son produit et son plan de croissance. La due diligence doit distinguer le droit de recevoir des données du droit de les traiter pour une finalité spécifique. L’enregistrement, la transcription, la génération de notes, le stockage, l’assurance qualité, le support, l’évaluation de modèles, l’amélioration de produit, l’entraînement de modèles, l’analyse comparative et l’export client peuvent nécessiter différentes analyses contractuelles, de confidentialité, de consentement et réglementaires.

Le registre doit identifier la catégorie de données, la personne concernée, la source, le responsable de traitement ou l’entité couverte, le sous-traitant ou l’associé commercial, le sous-traitant ultérieur, le lieu, la finalité, la base juridique ou contractuelle, la conservation, la suppression, l’export, l’utilisation à des fins d’entraînement, le droit d’audit et la responsabilité en cas d’incident. L’audio doit faire l’objet d’un traitement distinct de la transcription et du texte généré. L’audio peut contenir les voix de patients, de proches, de cliniciens et de personnes présentes. Les caractéristiques dérivées, les embeddings, les libellés et les retours de modèle peuvent conserver une sensibilité ou des restrictions contractuelles.

Le HHS indique que les entités couvertes qui recourent à des associés commerciaux doivent disposer d’accords écrits précisant les fonctions autorisées et les garanties applicables aux informations de santé protégées.[7] Les orientations du HHS sur le cloud rendent également pertinent un accord d’associé commercial lorsqu’un service cloud crée, reçoit, conserve ou transmet des informations de santé protégées électroniques pour le compte d’une entité couverte ou d’un associé commercial.[8] Les produits situés en dehors du périmètre des entités couvertes et des associés commerciaux de HIPAA peuvent néanmoins être soumis à d’autres obligations en matière de confidentialité et de violation de données. La règle de notification des violations en matière de santé de la FTC est un exemple américain pour les fournisseurs de dossiers de santé personnels couverts et les entités associées.[19]

Les droits doivent être testés au travers de la résiliation et du changement de contrôle. L’investisseur doit déterminer si un client peut révoquer des droits d’amélioration, exiger la suppression, interdire l’entraînement de modèles, restreindre le traitement transfrontalier ou demander une assistance à la migration. La société doit démontrer comment la traçabilité des données permet de respecter ces obligations. Le libellé contractuel et les capacités du système doivent concorder.

Chaque finalité de traitement exige sa propre justification ; le chiffre ne détermine pas une base légale.

5. Comprendre le modèle et la chaîne d’approvisionnement logicielle

Le produit peut combiner reconnaissance vocale, diarisation des locuteurs, détection de langue, vocabulaires spécialisés, récupération d’informations, grands modèles de langage, règles, gabarits, moteurs de codage et orchestration des flux de travail. La due diligence doit identifier quels composants sont propriétaires, sous licence, open source, spécifiques au client ou fournis par un tiers. L’architecture doit indiquer où chaque composant s’exécute, quelles données il reçoit et quelle sortie il contrôle.

L’analyse des dépendances doit couvrir les conditions des modèles de base, les conditions des modèles vocaux, la concentration de l’hébergement, les limites de débit, la disponibilité régionale, les changements de prix, l’obsolescence, les filtres de sécurité et les droits sur les sorties générées. Une entreprise peut posséder l’interface et la logique de flux de travail tout en dépendant d’un petit nombre de fournisseurs en amont pour l’inférence de base. Cela peut rester un modèle attractif, mais l’investisseur doit évaluer le coût de substitution et le levier de négociation.

Le registre des modèles doit consigner la finalité, la version, les entrées, les sorties, la méthode d’entraînement ou d’adaptation, la population d’évaluation, les limites connues, l’usage approuvé, le suivi et l’autorité de mise en production. Les règles déterministes, les modèles statistiques et les systèmes génératifs doivent rester distincts, car leurs erreurs et méthodes de test diffèrent. Une même version de produit peut contenir plusieurs versions de modèles et configurations d’invites ou de récupération.

Le contrôle des modifications est central. Les lignes directrices de la FDA sur les plans de contrôle des modifications prédéterminés et la gestion du cycle de vie montrent pourquoi les modifications planifiées, la validation et le suivi importent pour les fonctions de dispositif activées par AI.[4][5] L’application réglementaire précise dépend de l’usage prévu et de la juridiction. Même lorsque le logiciel échappe à la réglementation des dispositifs, les clients ont toujours besoin de preuves que les modifications importantes sont évaluées avant la mise en production et que les régressions peuvent être détectées, circonscrites et corrigées.

L’investisseur doit tester le parcours de substitution d’urgence. L’entreprise peut-elle changer un modèle en amont sans perdre de fonctionnalité, de droits, de latence, de couverture géographique ou d’économie unitaire ? Dispose-t-elle de tests de régression et de règles de notification aux clients ? L’optionalité de l’architecture n’a de valeur que si elle a été exercée ou démontrée.

6. Évaluer les performances au niveau de l’unité de décision du flux de travail

La précision globale de transcription est une mesure incomplète. L’investisseur doit tester l’unité qui influe sur le flux de travail et les soins : un médicament, une allergie, un symptôme, un diagnostic, une durée, une négation, l’attribution du locuteur, une tâche, un code, un élément de commande, une classification d’urgence ou une instruction au patient. Une note peut se lire couramment tout en omettant un fait cliniquement important ou en l’attribuant au mauvais locuteur.

Le plan d’évaluation doit définir l’usage prévu, la population, le cadre, la norme de référence, l’arbitrage, les métriques, les seuils et la réponse aux défaillances. Il doit inclure des positifs connus, des négatifs connus, des cas limites difficiles et des conditions hors distribution. Les échantillons doivent couvrir les spécialités, les types de consultations, les accents, les langues, le bruit, la télésanté, les interruptions, plusieurs locuteurs et les groupes de patients pertinents. La feuille de route commerciale doit déterminer la matrice de tests.

Les dimensions de performance comprennent l’exhaustivité factuelle, l’exactitude factuelle, le contenu non étayé, la négation, la temporalité, l’attribution du locuteur, la structure, l’extraction d’actions, la latence et l’abstention. Les dimensions de flux de travail comprennent le temps de revue, la distance d’édition, l’acceptation, le forçage, l’abandon, le recours au support et la correction en aval. Les dimensions de sécurité portent sur les erreurs cliniquement importantes et sur la capacité des contrôles à les détecter avant l’action.

L’entreprise doit conserver des résultats versionnés. Un score global peut s’améliorer tandis qu’un sous-groupe important régresse. Les seuils doivent donc être fixés en fonction du cas d’usage et du préjudice, et non de la commodité marketing. Les données d’évaluation doivent être suffisamment indépendantes des données de développement, et le réglage spécifique au client doit être séparé des performances du produit de base.

Tableau 3. Conception de l’évaluation des modèles par unité de décision

Les métriques et les seuils exigent une conception clinique et statistique propre au produit.

Les scores sont des dimensions illustratives ; les investisseurs doivent utiliser des métriques et des seuils propres au produit.

7. Tester la sécurité clinique et la supervision humaine comme des systèmes opérationnels

La supervision humaine doit être définie comme un contrôle opérationnel. « Humain dans la boucle » n’explique pas qui effectue la revue, ce que cette personne voit, combien de temps elle dispose, quelles erreurs elle peut détecter, ce qui se passe sous pression de charge de travail ou comment le système réagit lorsque la revue échoue. La due diligence doit cartographier le rôle responsable, l’interface de revue, la voie d’escalade et les éléments de preuve conservés pour chaque sortie importante.

La conception de la revue doit rendre visibles le contexte de la source et l’incertitude lorsque cela est utile. Un utilisateur peut avoir besoin de l’extrait de transcription pertinent, du locuteur, de l’horodatage, du niveau de confiance, de l’élément justificatif et de la raison d’une action suggérée. Un long brouillon fluide peut rendre les erreurs plus difficiles à repérer. La conception de l’interface, la charge d’alertes et la pression temporelle affectent donc la fiabilité pratique de la supervision humaine.

Les lignes directrices de l’OMS sur les grands modèles multimodaux mettent en évidence des risques, notamment des résultats inexacts, des biais, le biais d’automatisation, la confidentialité et la cybersécurité.[2] La norme NHS DCB0129 impose une gestion du risque clinique aux fabricants de technologies de santé, tandis que la DCB0160 porte sur le déploiement et l’utilisation par les organisations de soins.[12] Ces normes illustrent la responsabilité partagée entre le produit et son adoptant. L’entreprise doit présenter un registre des dangers, un dossier de sécurité clinique ou un dossier de risque équivalent adapté à ses marchés et à son usage.

La gestion des incidents doit relier la télémétrie produit, les signalements clients, la revue clinique, l’investigation technique et les droits de décision de la direction. Les définitions de gravité doivent couvrir les préjudices potentiels et les quasi-accidents, et pas seulement les dommages confirmés. Les incidents importants doivent déclencher un confinement, une communication aux clients, une analyse des causes racines, une action corrective, des tests de régression et une surveillance.

L’investisseur doit tester le mode dégradé. Si la transcription, l’inférence, la connectivité au dossier de santé électronique (DSE) ou la résolution d’identité échoue, l’utilisateur peut-il continuer à dispenser des soins en toute sécurité ? Le workflow doit offrir un statut clair, aucune écriture en retour silencieuse, des règles de nouvelle tentative et une procédure manuelle. Un chemin de défaillance sûr peut compter davantage que la performance moyenne du modèle.

8. Examiner la performance par sous-groupe, la langue et l'accessibilité

Les produits vocaux fonctionnent selon les accents, les langues, l'alternance de langues, les troubles de la parole, les groupes d'âge, la qualité du microphone et les environnements cliniques. Un résultat agrégé peut masquer une faible performance dans des populations commercialement importantes ou vulnérables. La due diligence doit aligner les tests par sous-groupe sur l'empreinte de déploiement et le plan d'expansion de l'entreprise.

L'entreprise doit expliquer comment elle définit les groupes, obtient des données d'évaluation licites, établit une vérité de référence et évite les conclusions instables tirées de petits échantillons. Les différences de performance doivent être évaluées selon des unités pertinentes sur les plans clinique et opérationnel. Une différence modeste de taux d'erreur sur les mots peut devenir significative lorsqu'elle touche des noms de médicaments, la négation, des nombres ou des symptômes urgents.

La prise en charge linguistique doit distinguer la traduction de l'interface utilisateur, la reconnaissance vocale, le vocabulaire clinique, la génération de notes et l'exécution des flux de travail. Un produit peut reconnaître la parole conversationnelle dans une langue tout en manquant de termes spécialisés validés, de modèles ou de champs de dossiers de santé électroniques en aval. Les consultations en langues mixtes exigent des preuves distinctes. Les libellés marketing tels que « multilingue » doivent être décomposés en fonctions et paramètres testés.

L'accessibilité couvre les besoins auditifs, liés à la parole, cognitifs, visuels et moteurs ainsi que la littératie numérique. Les agents vocaux destinés aux patients doivent gérer la répétition, l'interruption, l'incertitude, l'intervention d'un interprète et le transfert vers un humain. Ils doivent éviter de créer un obstacle pour les personnes qui ne peuvent pas ou ne souhaitent pas utiliser l'automatisation vocale.

Les principes de gouvernance AI de l'OMS, dans leur acception plus large, placent l'inclusivité et l'équité aux côtés de l'autonomie, de la sécurité, de la transparence, de la responsabilité et de la durabilité.[1] L'investisseur doit traduire ces principes en évaluation versionnée des sous-groupes, critères de déploiement chez les clients, surveillance et remédiation. Le modèle commercial doit inclure le coût du soutien aux populations qu'il promet de servir.

9. Auditer la confidentialité, le consentement, la sécurité et la résilience

La cartographie des flux de données doit suivre l'audio, la transcription, le contenu généré, les identifiants, les métadonnées, les journaux, l'accès du support, les sauvegardes et les retours du modèle à travers les appareils, réseaux, clouds, sous-traitants et systèmes clients. Chaque transfert doit avoir un responsable, une finalité, une protection, une règle de conservation et un circuit d'incident. Les certificats de sécurité et les tests d'intrusion sont des preuves utiles, mais ils ne remplacent pas un modèle de menace propre à l'architecture.

La voix crée des risques particuliers. La capture permanente ou ambiante peut inclure des locuteurs non intentionnels et des discussions sensibles. Les commandes de démarrage et d'arrêt de session, l'état visible, le consentement ou l'information, les autorisations de microphone, la mise en tampon locale et le comportement de suppression doivent être testés. Le produit doit empêcher que le contenu d'un patient entre dans le dossier d'un autre et faire apparaître l'incertitude d'identité avant l'écriture en retour.

La due diligence de sécurité doit couvrir l'authentification, l'accès basé sur les rôles, le moindre privilège, le chiffrement, la gestion des clés, les secrets, l'isolation des locataires, la chaîne d'approvisionnement logicielle, la gestion des vulnérabilités, le développement sécurisé, la journalisation, la détection d'anomalies, la sauvegarde, la restauration et la notification des clients. Les systèmes génératifs ajoutent l'injection de prompt, la fuite de données, le contenu malveillant, l'empoisonnement de la récupération et la dépendance au service de modèle. Le RMF AI du NIST et le profil génératif AI fournissent une référence structurée en gestion des risques.[13]

Pour les fonctions réglementées des dispositifs, les orientations 2026 de la FDA en matière de cybersécurité traitent des considérations de conception, de système qualité et de soumission.[5] L'application dépend là encore du produit et de l'usage prévu. Toutes les entreprises doivent démontrer leur résilience au moyen d'objectifs de reprise testés, de défaillances de dépendances et d'exercices d'incident.

Les promesses contractuelles doivent être conciliées avec les opérations. Si le contrat promet un traitement régional, une suppression rapide, une notification des sous-traitants ou un objectif de reprise, l'entreprise doit fournir des preuves issues des systèmes. Un écart entre le discours commercial et la capacité de production peut devenir un risque de renouvellement, de responsabilité et de valorisation.

10. Classifier l'exposition réglementaire par fonction et par juridiction

La classification réglementaire suit l'usage prévu et la fonction, et non la catégorie préférée de l'entreprise. Un outil de documentation qui enregistre et rédige une note peut occuper une position différente de celle d'un logiciel qui recommande un diagnostic, hiérarchise des symptômes urgents ou exécute une prescription. Les modules et allégations de produit doivent donc être classés séparément.

Aux États-Unis, les orientations de la FDA de janvier 2026 sur l'aide à la décision clinique expliquent les critères applicables à certaines fonctions de CDS non-dispositif et donnent des exemples distinguant les logiciels non-dispositifs des logiciels-dispositifs.[3] Les autres orientations de la FDA en matière de santé numérique portent sur les logiciels-dispositifs activés par AI, le contrôle des modifications et la cybersécurité.[4][5] La règle HTI-1 de l'ONC ajoute des exigences de transparence algorithmique pour l'aide à la décision prédictive fournie via des technologies de santé certifiées.[6] L'équipe de due diligence doit déterminer si l'entreprise est un développeur certifié de technologies de santé, si elle s'intègre à un tel développeur ou si elle fournit des fonctionnalités qui entraînent des obligations contractuelles répercutées.

Dans l'Union européenne, la loi AI crée des obligations fondées sur le rôle du système et la classification des risques, y compris des catégories à haut risque liées à des produits réglementés et à des usages spécifiés.[9] L'Espace européen des données de santé ajoute des exigences par étapes pour les données de santé électroniques et les systèmes de dossiers de santé électroniques, tout en préservant l'application des règles relatives à GDPR, aux dispositifs médicaux et à AI.[10] Les dates d'entrée en vigueur et l'incidence sur les produits nécessitent une analyse actuelle propre à chaque juridiction.

Au Royaume-Uni, les orientations de la MHRA et son programme relatif aux logiciels et à AI en tant que dispositif médical encadrent la classification des produits et les attentes en matière de cycle de vie.[11] Les déploiements du NHS peuvent également exiger des preuves en matière de risque clinique, de protection des données, de sécurité technique, d'interopérabilité et d'utilisabilité au moyen des normes DCB et des critères d'évaluation.[12]

La matrice réglementaire doit consigner le module, l'allégation, l'utilisateur, l'action, la juridiction, l'avis de classification, les preuves, l'enregistrement ou la certification, les obligations post-commercialisation et la conséquence des modifications. La conclusion de la direction doit être étayée par un avis qualifié lorsqu'elle est significative. Une étiquette telle que « logiciel administratif » ne suffit pas à trancher l'analyse.

11. Évaluer l'architecture d'intégration et l'interopérabilité

L'intégration fait partie du produit. La valeur d'entreprise peut dépendre d'une identité fiable, du lancement contextuel, de l'appariement des rencontres, de l'accès aux plannings, de l'écriture en retour dans la documentation, du routage des tâches, du codage, du consentement, de l'audit et de l'analytique entre les systèmes clients. Un fournisseur doté de modèles performants et d'une intégration fragile peut faire face à des cycles de vente longs, à des coûts de services élevés et à des résultats variables.

L'examen de l'architecture doit identifier chaque interface, protocole, méthode d'authentification, objet de données, droit d'écriture, mécanisme d'interrogation périodique ou événementiel, latence, nouvelle tentative, file d'erreurs, observabilité et responsable du support. Des normes telles que HL7 FHIR peuvent améliorer la portabilité, mais la mise en œuvre client, les versions, les profils et les contraintes propriétaires comptent toujours.[20] Une intégration revendiquée doit être démontrée en production plutôt que déduite d'une spécification API.

L'investisseur doit distinguer les connecteurs réutilisables des travaux propres au client. Une configuration réutilisable peut soutenir la mise à l'échelle. Des transformations sur mesure, le mappage de modèles, la refonte des flux de travail, l'examen de sécurité et les tests peuvent créer une charge de travail récurrente même lorsque l'interface technique est standard. Les données de mise en œuvre doivent indiquer les heures par rôle, le temps écoulé, les attentes liées aux dépendances, les défauts et le support après mise en production.

L'écriture en retour mérite un circuit de contrôle distinct. Le système doit confirmer le patient, la rencontre, le type de document, l'auteur, la version et l'approbation finale. Il doit empêcher les écritures en double ou obsolètes et préserver une piste d'audit. Les écritures échouées nécessitent une file visible et une reprise sous responsabilité. Le contenu clinique ne doit pas se perdre dans un journal d'intégration générique.

Le modèle de due diligence doit valoriser l'interopérabilité au moyen de preuves : délai de mise en production plus court, coût de mise en œuvre plus faible, moins de défauts, adoption plus élevée, charge de support réduite et extension plus facile. Le seul nombre de connecteurs peut surestimer la maturité lorsque les intégrations sont anciennes, peu utilisées ou maintenues manuellement.

12. Convertir la charge de mise en œuvre en coût total de mise en service

Les clients achètent un changement qui fonctionne, pas un modèle isolé. Le coût total de mise en service comprend l'examen de sécurité et juridique, la gouvernance clinique, les achats, l'intégration, la configuration, la conception des flux de travail, la formation, la communication, le support, la mesure et le fonctionnement en double. Ces coûts peuvent incomber au fournisseur, au client, au partenaire de mise en œuvre ou au fournisseur de DSE. L'investisseur doit saisir le coût complet du système et identifier qui paie.

La mise en œuvre doit être décomposée en étapes reproductibles : qualification, contractualisation, approbation des données et de la sécurité, construction technique, configuration, revue de sécurité clinique, pilote, formation, mise en production, surveillance et montée en charge. Pour chaque étape, l'entreprise doit fournir la médiane et la distribution du temps écoulé, des heures internes, des heures client, des blocages, des reprises et des abandons. Les moyennes peuvent masquer une longue traîne qui consomme de la trésorerie et l'attention de la direction.

La courbe de coûts doit séparer l'investissement fixe dans la plateforme, le travail produit réutilisable et la main-d'œuvre propre au client. Les premières cohortes peuvent être coûteuses pendant que l'entreprise apprend. Les cohortes ultérieures doivent montrer une baisse de l'effort pour une complexité comparable. La croissance créée en augmentant les effectifs de mise en œuvre au même rythme que le chiffre d'affaires a une logique économique différente de la répétabilité portée par le produit.

La charge côté client affecte l'adoption et le renouvellement même lorsqu'elle n'apparaît pas dans le coût des revenus du fournisseur. Les cliniciens peuvent consacrer du temps à examiner, corriger et apprendre. Les équipes informatiques peuvent maintenir des modèles et la gouvernance. Les équipes informatiques peuvent exploiter les interfaces. La référence client doit vérifier si le bénéfice réalisé dépasse cette charge.

Les valeurs sont hypothétiques ; une due diligence en cours requiert, au niveau client, des éléments probants sur les heures, les coûts monétaires et les délais écoulés.

Tableau 4. Matrice des responsabilités et des coûts d'intégration

La matrice doit être renseignée pour chaque segment de clientèle significatif et chaque environnement de dossier de santé électronique.

13. Reconstruire l’économie client à partir des cohortes et de l’usage

La valeur annuelle contractuelle ne prouve pas un modèle économique durable. L’investisseur doit construire des cohortes par période de démarrage, segment, produit, zone géographique, DME, complexité de déploiement et type de contrat. Chaque cohorte doit présenter la valeur contractuelle, la valeur en production, l’utilisation, l’expansion, la contraction, l’attrition, le coût de mise en œuvre, le coût de support, le coût cloud et de modèle, la marge brute, l’encaissement et la concentration client.

Le pont commence par les utilisateurs ou consultations éligibles, les utilisateurs activés, l’utilisation active, l’achèvement réussi du flux de travail, le résultat examiné et l’utilisation soutenue. Les licences par siège peuvent surestimer la valeur lorsque l’utilisation est faible. La tarification à la consultation peut surestimer la prévisibilité lorsque le volume ou la composition des spécialités change. La tarification entreprise peut masquer des utilisateurs intensifs non rentables. Le modèle commercial doit rapprocher l’unité de tarification de la valeur et des facteurs de coût.

La rétention doit être mesurée sur plusieurs bases. La rétention des logos mesure la continuité de la relation. La rétention du chiffre d’affaires brut exclut l’expansion. La rétention nette du chiffre d’affaires inclut l’expansion et la contraction. La rétention d’usage montre si le produit reste intégré. La rétention de marge vérifie si le chiffre d’affaires renouvelé reste économique après inférence, support et intégration. Les définitions et le traitement des devises doivent être cohérents.

L’expansion exige des preuves causales. Un client peut ajouter des cliniciens parce que le pilote a fonctionné, parce qu’un budget distinct s’est ouvert ou parce que le fournisseur a accordé une remise sur une conversion entreprise. L’extension vers le codage, la boîte de réception ou la voix du patient peut impliquer un acheteur, une revue des risques et un modèle de support différents. L’investisseur doit distinguer l’extension du même produit des ventes de produits croisés.

Les références clients doivent tester le comportement contrefactuel. Le client renouvellerait-il au prix actuel ? Quel flux de travail mesurable a changé ? Quels utilisateurs en bénéficient et lesquels non ? Quelle charge demeure ? Quelle défaillance du produit entraînerait son retrait ? L’enthousiasme des références doit être rapproché des factures, de l’utilisation et des décisions de renouvellement.

14. Tester la qualité du chiffre d’affaires, le pouvoir de fixation des prix et la marge brute

La qualité du chiffre d’affaires dépend de contrats exécutoires, de l’état de déploiement, de l’acceptation, de l’utilisation, du renouvellement, de l’encaissement et du coût de prestation. Les prises de commandes peuvent inclure des pilotes, des droits d’annulation, des modules futurs ou des volumes conditionnels. La due diligence doit établir le pont entre les contrats signés et le chiffre d’affaires comptabilisé, les factures, la trésorerie et l’utilisation en production par client.

La tarification doit refléter l’unité de valeur du client tout en restant observable et gouvernable. La tarification par clinicien est simple mais peut se déconnecter du volume de consultations. La tarification à la consultation aligne l’usage mais crée une variabilité des volumes. La tarification entreprise favorise la prévisibilité budgétaire tout en nécessitant des contrôles pour l’usage intensif. La tarification liée aux résultats peut être attrayante lorsque la mesure, la référence de départ et l’attribution sont crédibles. Des structures hybrides peuvent convenir à différents flux de travail.

Le pouvoir de fixation des prix doit être testé au regard de l’historique de renouvellement, des remises, des remplacements concurrentiels, des concessions d’achat et de la volonté d’extension. Un prix catalogue élevé assorti de crédits de mise en œuvre importants, de pilotes gratuits ou de modules groupés peut créer un prix net plus faible. L’investisseur doit calculer le prix effectif après incitations et engagements de service.

La marge brute doit inclure la parole, le modèle de fondation, le stockage, l’observabilité, les frais de DME, le support, les opérations cliniques, la mise en œuvre, le succès client et les redevances de tiers lorsqu’ils sont attribuables à la prestation. La capitalisation du développement et la politique d’allocation doivent être comprises séparément. La baisse des prix de l’inférence en amont peut améliorer la marge, tandis que la croissance de l’usage, un contexte plus large, des sorties plus riches ou la redondance peuvent compenser cet effet.

L’entreprise doit démontrer sa marge par cohorte et par produit. Les clients matures doivent révéler le profil de support et de calcul en régime permanent. Les nouveaux produits peuvent avoir une marge plus faible pendant que les preuves et le flux de travail mûrissent. Le modèle de valorisation doit refléter le temps et l’investissement nécessaires pour atteindre la marge cible plutôt que d’appliquer un référentiel logiciel selon l’étiquette.

Les valeurs sont des unités d’indice hypothétiques et ne représentent ni une référence de marché ni une prévision.

15. Distinguer les preuves cliniques des allégations marketing

La force des preuves dépend de la conception de l’étude. Une étude de cas fournisseur peut établir la faisabilité et l’expérience client. Une étude avant-après peut décrire un changement tout en restant exposée à la sélection, au calendrier et aux initiatives concomitantes. Une étude observationnelle appariée peut améliorer la comparaison tout en conservant des facteurs de confusion. Un essai randomisé peut renforcer l’inférence causale pour le produit, les utilisateurs, la période et les résultats testés. Aucune étude unique ne prouve toutes les spécialités, tous les clients ou toutes les versions de produit.

L’investisseur doit construire une matrice revendications-preuves. Chaque allégation clinique, de flux de travail et économique reçoit une population visée, un critère d’évaluation, une conception d’étude, une version, un comparateur, un résultat, une limite et une formulation commerciale autorisée. Les preuves relatives au temps de documentation ne prouvent pas automatiquement une réduction de l’épuisement professionnel, une capacité de prise en charge des patients plus élevée, une meilleure qualité des notes ou des revenus améliorés.

La revue rapide de 2025 sur les scribes ambiants AI n’a trouvé que six études éligibles en conditions réelles à partir d’un ensemble de recherche beaucoup plus vaste et a fait état de preuves rares, d’une standardisation hétérogène et d’effets limités sur la productivité.[15] Une revue systématique ultérieure a également identifié des bénéfices de mise en œuvre aux côtés d’une variabilité de précision, de modifications manuelles et de lacunes d’évaluation.[18] Ces revues plaident pour une collecte disciplinée de preuves plutôt que pour une conclusion à l’échelle de la catégorie.

Un essai randomisé pragmatique mené auprès de 238 médecins ambulatoires a testé deux applications de scribe ambiant par rapport aux soins courants et a rapporté des résultats propres à chaque application.[16] Une autre comparaison menée au service des urgences a constaté une qualité des notes similaire ou inférieure et une contribution plus importante du clinicien pour les notes générées par AI par rapport aux scribes humains dans ce contexte.[17] Ces études montrent pourquoi le comparateur, le contexte, l’utilisateur et l’indicateur comptent.

L’entreprise doit maintenir des preuves après déploiement. Les changements de version, les nouvelles spécialités, les langues, les DME et les actions dans le flux de travail peuvent modifier les performances. Le suivi doit inclure l’adoption, les modifications, les erreurs, les incidents, les sous-groupes, le support et les résultats clients. Les allégations commerciales doivent suivre l’ensemble de preuves approuvé.

16. Examiner la propriété intellectuelle, l’avantage lié aux données et la défendabilité

La défendabilité peut découler de la conception du flux de travail, de la distribution, des intégrations, des systèmes d’évaluation, des droits sur des données propriétaires, de la confiance clinique, de la capacité réglementaire et des preuves opérationnelles. Un modèle seul peut être réplicable ou provenir d’un fournisseur en amont. L’investisseur doit identifier les actifs qui restent précieux si un modèle de base s’améliore, si les prix baissent ou si les clients obtiennent des fonctionnalités similaires auprès d’une plateforme établie.

L’examen de la PI doit couvrir la cession par les employés et les prestataires, la PI préexistante, les logiciels open source, les licences de modèles et de jeux de données, les retours clients, les brevets, les marques, les noms de domaine, la provenance du code et les restrictions dans les partenariats commerciaux. Le code et les contenus générés doivent être évalués au regard du droit et du contrat applicables. Les composants importants doivent avoir un propriétaire clair et une utilisation commerciale autorisée.

Un avantage lié aux données exige des données licites, autorisées par contrat et techniquement exploitables. Un volume important est insuffisant lorsque les droits interdisent l’entraînement, que les annotations sont faibles, que les populations sont étroites ou que les versions ne peuvent pas être reliées aux résultats. Les données propres à un client peuvent créer un coût de changement sans soutenir un modèle transférable.

L’infrastructure d’évaluation peut constituer un actif durable. Des jeux de tests soigneusement constitués, des taxonomies d’erreurs, l’adjudication clinique, l’analyse de sous-groupes, la surveillance en production et les points de contrôle avant mise en production peuvent accélérer une amélioration sûre. Leur valeur dépend de la représentativité, des droits, de l’actualité et de la reproductibilité.

L’investisseur doit effectuer un test de substitution. Si le modèle vocal ou linguistique en amont changeait, que resterait-il ? Si un fournisseur de DME lançait une fonctionnalité concurrente, quel avantage de flux de travail, de preuves, d’intégration ou de distribution protégerait le renouvellement ? La défendabilité doit être décrite comme un mécanisme économique éprouvé.

17. Évaluer l’organisation, la gouvernance et la capacité de déploiement

L’organisation doit être adaptée au profil de risque et au modèle opérationnel du produit. Les capacités pertinentes peuvent inclure l’apprentissage automatique, l’ingénierie de la parole, l’informatique clinique, la gestion de produit, la sécurité, la confidentialité, les affaires réglementaires, la sécurité clinique, les intégrations, la mise en œuvre, le succès client et l’expertise en cycle de revenus. La combinaison requise dépend de l’usage prévu et du segment de clientèle.

L’analyse des personnes clés doit identifier qui détient l’architecture du modèle, le jugement clinique, les systèmes qualité réglementés, les principales intégrations, les relations clients et la réponse aux incidents. Les connaissances doivent être attestées dans la documentation, les processus de revue et la succession plutôt que concentrées chez un fondateur ou quelques ingénieurs. Les plans de rémunération, de fidélisation et de recrutement doivent être alignés sur le scénario d’expansion.

La gouvernance doit relier la mise sur le marché du produit, la sécurité clinique, la confidentialité, la sécurité et les allégations commerciales. Un comité de mise en production peut exiger une évaluation finalisée, une revue des dangers, des tests de sécurité, une documentation, une préparation du support et une communication client. Les exceptions doivent avoir un approbateur nommé, une justification, une date d’expiration et un plan de suivi.

Les incitations commerciales doivent être revues. Les équipes peuvent être récompensées pour la valeur contractuelle avant la validation de sécurité, la mise en service ou l’utilisation durable. Les allégations produit peuvent dépasser les preuves lorsque la pression concurrentielle est forte. La rémunération et les jalons d’approbation doivent soutenir des revenus qualifiés et un déploiement sûr.

Le reporting au conseil doit combiner les performances produit, les incidents, les droits, le statut réglementaire, le déploiement client, la rétention, la marge et le risque de feuille de route. Un conseil d’une entreprise en croissance a besoin d’indicateurs d’alerte précoce : implémentations bloquées, faible utilisation active, modifications en hausse, régressions de sous-groupes, concentration du support, variations des coûts d’inférence et exposition au renouvellement. La gouvernance devient un atout lorsqu’elle produit des décisions opportunes et des preuves crédibles pour les clients.

18. Traduire les constats en valorisation et financement

Chaque constat confirmé doit modifier les flux de trésorerie, le calendrier, le risque, l’optionalité ou la structure de la transaction. Une courbe de mise en œuvre plus lente retarde les revenus et consomme des capacités de services. Une charge de revue plus élevée peut affaiblir l’adoption. Des droits sur les données restreints peuvent limiter l’amélioration du modèle ou la zone géographique. Une concentration en amont peut affecter la marge brute et la résilience. Un reclassement réglementaire peut nécessiter des preuves, des systèmes qualité et des cycles de vente plus longs.

Le modèle de valorisation doit relier le pipeline, la valeur contractuelle, la mise en service, l’utilisation active, la rétention, l’expansion et la marge de contribution. Les variables de scénario doivent inclure le cycle de sécurité et d’approvisionnement, la capacité de mise en œuvre, le coût d’inférence, la concentration client, le renouvellement, le prix, le mix produit et l’investissement dans les preuves. Le scénario de base de la direction doit être rapproché du comportement historique des cohortes.

Le double comptage doit être évité. Une mise en service plus lente peut déjà réduire les revenus et la trésorerie. Le même problème ne doit pas faire l’objet d’une décote de multiple supplémentaire, sauf si une incertitude résiduelle subsiste. Un coût de support plus élevé peut déjà réduire la marge. Les réviseurs finance et produit doivent approuver ensemble le pont causal.

Les besoins de financement peuvent augmenter en raison d’encaissements retardés, de main-d’œuvre de mise en œuvre, d’études cliniques, de remédiation de sécurité, de systèmes qualité réglementés, de partenariats avec des dossiers médicaux électroniques (EHR) et d’une expansion géographique. Le modèle emplois-ressources doit inclure ces investissements. Un tour de capital-croissance dimensionné uniquement pour les recrutements commerciaux peut sous-financer la capacité de preuve et de déploiement.

Les comparables de valorisation exigent une normalisation prudente. Les éditeurs de logiciels de santé diffèrent selon leur statut réglementé, la part de services, la concentration client, la croissance, la marge brute, la rétention et la consommation de trésorerie. Un multiple de chiffre d’affaires affiché peut masquer la qualité du produit et des cohortes. Le comité d’investissement doit recevoir un pont transparent entre les preuves, les hypothèses et la valeur.

19. Convertir la due diligence en protections transactionnelles et en plan de détention du capital

La protection transactionnelle doit suivre le risque causal. Une condition de closing peut exiger la remise d’un consentement client, une remédiation de sécurité, un contrat clé, un dépôt réglementaire ou une version validée. Le prix et le produit de cession peuvent refléter un écart mesurable de revenus, de trésorerie ou de passif. Le séquestre, la retenue, la garantie, l’indemnisation ou le covenant peuvent répartir une exposition résiduelle définie, sous réserve du droit applicable et d’un conseil qualifié.

Les déclarations doivent porter sur la propriété, les licences, les droits sur les données, la protection des données, la sécurité, le statut réglementaire, l’open source, les contrats clients, les dépendances au modèle, les incidents et les réclamations. Leur périmètre doit correspondre aux preuves et au modèle d’affaires. Une garantie de conformité générique peut être plus faible qu’une annexe détaillant les finalités de traitement connues, les sous-traitants, les incidents et les limitations.

Le plan de détention du capital doit exister avant la signature. Les priorités initiales peuvent inclure le gel des versions produit et modèle, la conservation des données et des journaux, la confirmation des obligations clients, la fidélisation du personnel clé, la validation de la surveillance, la revue des flux de travail à haut risque, le rapprochement de l’économie des cohortes et le comblement des lacunes de preuve. L’intégration à une plateforme mère doit passer par des jalons cliniques, de sécurité et clients.

Le conseil doit distinguer le risque accepté de la due diligence inachevée. Chaque élément accepté doit avoir un responsable, un budget, un jalon, des preuves et un droit de décision. Les éléments non résolus importants peuvent nécessiter une due diligence complémentaire, une condition, une modification de la valorisation ou un rejet.

Tableau 5. Jalons du comité d’investissement et réponses en cas d’échec

La conception des seuils de validation doit refléter la matérialité de la transaction, l'usage prévu et les pouvoirs délégués.

20. Mettre en place des seuils de rejet et un système de due diligence reproductible

Certains constats devraient interrompre ou restreindre l'investissement. Citons notamment l'impossibilité d'établir des droits pour une finalité de traitement essentielle, des erreurs cliniquement significatives sans dispositif de détection efficace, des allégations réglementées non étayées, un cloisonnement des locataires non résolu, un appariement d'identité peu fiable, une évaluation non reproductible, une concentration client sans preuve crédible de rétention ou une économie unitaire qui reste négative sur des déploiements comparables arrivés à maturité.

Les jalons de rejet doivent être explicites avant la présentation à la direction. Cela réduit le biais de confirmation et évite que la pression du calendrier ne transforme des éléments de preuve manquants en un sentiment de confort supposé. Un jalon non franchi peut conduire à un rejet, à un périmètre produit plus étroit, à une valorisation plus faible, à un investissement échelonné, à une condition ou à un plan de remédiation financé. La réponse doit refléter la maîtrise et la matérialité.

Le système de due diligence doit conserver un registre des questions, un index des éléments de preuve, un registre des droits sur les données, un registre des modèles, les résultats d'évaluation, les cartographies des flux de travail, le modèle de cohortes, le journal des constats et le registre des décisions. Chaque constat doit inclure la source, la version, la causalité, la matérialité, le responsable, le réviseur, l'effet économique et la réponse transactionnelle. Les résultats doivent rester traçables jusqu'aux éléments de preuve.

Après l'investissement, le délai réel de mise en service, l'adoption, les modifications, les incidents, la rétention, l'expansion, la marge brute et la trésorerie peuvent être comparés aux hypothèses de due diligence. Ce retour d'information révèle quels indicateurs prédisaient la performance et quels contrôles étaient faibles. L'apprentissage du portefeuille doit conserver le type de produit, le cadre de soins, l'acheteur, le DSE, le risque lié au flux de travail, la zone géographique et la version afin que les éléments de preuve ne soient pas généralisés au-delà de leur contexte.

Les lacunes de recherche restent importantes. Les travaux futurs devraient examiner les résultats à long terme pour les patients et les cliniciens, la performance par sous-groupe, les effets en aval sur la codification et les demandes de remboursement, l'autonomie sûre, le déploiement multilingue, la dérive des modèles, le changement de fournisseur par les clients et l'économie de la concurrence native du DSE. Les investisseurs en croissance peuvent contribuer en exigeant une évaluation transparente et en soutenant l'infrastructure de preuves dans le cadre du plan de création de valeur.

Le test de décision est simple : l'investisseur peut-il reproduire la manière dont le produit transforme des données autorisées en une amélioration maîtrisée du flux de travail, comment cette amélioration devient une valeur client durable, et comment l'entreprise dégage une marge durable tout en respectant ses responsabilités cliniques et réglementaires ? Les éléments de preuve qui résistent à cette chaîne étayent une thèse d'investissement. Les ruptures dans la chaîne identifient la prochaine question de due diligence ou la raison d'arrêter.

Références

1. Organisation mondiale de la Santé, Éthique et gouvernance de l'intelligence artificielle pour la santé, 28 juin 2021, https://www.who.int/publications/i/item/9789240029200
2. Organisation mondiale de la Santé, Éthique et gouvernance de l'intelligence artificielle pour la santé : orientations sur les grands modèles multimodaux, 25 mars 2025, https://www.who.int/publications/i/item/9789240084759
3. US Food and Drug Administration, Logiciels d'aide à la décision clinique, Lignes directrices finales, janvier 2026, https://www.fda.gov/regulatory-information/search-fda-guidance-documents/clinical-decision-support-software
4. US Food and Drug Administration, Lignes directrices contenant du contenu sur la santé numérique, https://www.fda.gov/medical-devices/digital-health-center-excellence/guidances-digital-health-content
5. US Food and Drug Administration, Cybersécurité des dispositifs médicaux : considérations relatives au système de management de la qualité et contenu des dossiers de précommercialisation, février 2026, https://www.fda.gov/regulatory-information/search-fda-guidance-documents/cybersecurity-medical-devices-quality-management-system-considerations-and-content-premarket
6. Bureau du coordinateur national pour les technologies de l'information en santé, Règle finale HTI-1, https://healthit.gov/regulations/hti-rules/hti-1-final-rule/
7. Département de la Santé et des Services sociaux des États-Unis, Entités couvertes et partenaires commerciaux, https://www.hhs.gov/hipaa/for-professionals/covered-entities/index.html
8. Département de la Santé et des Services sociaux des États-Unis, Informatique en nuage et informations de santé protégées électroniques, https://www.hhs.gov/hipaa/for-professionals/faq/2075/may-a-hipaa-covered-entity-or-business-associate-use-cloud-service-to-store-or-process-ephi/index.html
9. Union européenne, Règlement (UE) 2024/1689 établissant des règles harmonisées en matière d'intelligence artificielle, https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. Union européenne, Règlement (UE) 2025/327 relatif à l'Espace européen des données de santé, https://eur-lex.europa.eu/eli/reg/2025/327/oj/
11. Agence britannique de réglementation des médicaments et des produits de santé, logiciels et intelligence artificielle en tant que dispositif médical, https://www.gov.uk/government/publications/software-and-artificial-intelligence-ai-as-a-medical-device
12. NHS England, normes DCB0129 et DCB0160 de gestion des risques cliniques, https://digital.nhs.uk/data-and-information/information-standards/governance/latest-activity/standards-and-collections/dcb0129-clinical-risk-management-its-application-in-the-manufacture-of-health-it-systems
13. Institut national des normes et de la technologie, cadre de gestion des risques liés à l'intelligence artificielle et profil AI génératif, https://www.nist.gov/itl/ai-risk-management-framework
14. Forum international des régulateurs des dispositifs médicaux, Logiciel en tant que dispositif médical : évaluation clinique, 21 septembre 2017, https://www.imdrf.org/documents/software-medical-device-samd-clinical-evaluation
15. Kanaparthy NS et al., Synthèse des données probantes du monde réel sur les scribes numériques utilisant l'écoute ambiante et l'intelligence artificielle générative pour les flux de documentation des cliniciens : revue rapide, JMIR AI, 2025, https://pubmed.ncbi.nlm.nih.gov/41071988/
16. Shah SJ et al., Scribes AI ambiants en pratique clinique : un essai randomisé, 2025, https://pubmed.ncbi.nlm.nih.gov/41497288/
17. Morey J et al., Intelligence artificielle ambiante contre scribes humains au service des urgences, Annals of Emergency Medicine, 2025, https://pubmed.ncbi.nlm.nih.gov/41251650/
18. Mise en œuvre clinique des scribes à intelligence artificielle dans les soins de santé : une revue systématique, 2025, https://pubmed.ncbi.nlm.nih.gov/40306686/
19. Commission fédérale du commerce des États-Unis, règle de notification des violations de données de santé, règle définitive, 30 mai 2024, https://www.ftc.gov/legal-library/browse/rules/health-breach-notification-rule
20. HL7 International, aperçu de FHIR, https://www.hl7.org/fhir/overview.html