L’arrivée des jumeaux numériques (JN), ces répliques virtuelles d’entités physiques ou biologiques, représente une avancée majeure pour le secteur de la santé. Ces modèles informatiques, nourris par un flux constant de données et de l’intelligence artificielle (IA), ouvrent des perspectives fascinantes pour la médecine personnalisée, la recherche et la santé publique.

 

Comme le soulignent Björnsson et al., les JN sont « des représentations numériques personnalisées d’individus, qui peuvent être utilisées pour prédire l’état de santé futur » [1]. Leur potentiel de transformation est immense, d’autant plus qu’ils s’intègrent à d’autres technologies de pointe comme l’IA, la médecine de précision et la biologie computationnelle [2].

Ce qui suit est une exploration de certains des applications, des défis et des perspectives des jumeaux numériques, en se concentrant sur les obstacles à surmonter pour que cette technologie devienne une réalité accessible et éthique.

 

 

Des applications multiples et prometteuses

Le champ des applications des JN est particulièrement vaste, notamment pour la prévention, le diagnostic et le traitement des maladies [3]. Ces applications peuvent être regroupées en trois domaines clés : la médecine de précision, la recherche biomédicale et la santé publique.

 

La médecine de précision

Le jumeau numérique permet de personnaliser les traitements. En modélisant un organe spécifique (comme le cœur, le poumon ou une tumeur) ou même un corps entier, il est possible de simuler l’effet de différentes thérapies, d’optimiser les dosages et de prévoir la réaction de chaque patient. « En oncologie, des JN peuvent être utilisés pour tester l’efficacité de différentes combinaisons de médicaments avant leur administration réelle » [1]. Un exemple emblématique de cette innovation en France est le projet Meditwin [4]. Porté par des acteurs majeurs comme Dassault Systèmes, l’Inria et l’Inserm, ce programme vise à créer des répliques numériques du corps humain pour une application médicale directe. Ces modèles personnalisés permettront de simuler le fonctionnement d’organes, de tester l’efficacité de nouveaux traitements et même de prédire l’évolution d’une maladie. Financé par le plan France 2030, Meditwin a pour ambition de bâtir une plateforme de JN fiable et interopérable, en associant chercheurs, médecins et industriels pour accélérer la transition vers une médecine de précision.

Pour la prévention, les jumeaux numériques intègrent des données génétiques, comportementales et environnementales pour identifier les risques propres à chaque individu et proposer des stratégies préventives sur mesure. L’une des initiatives les plus avancées est le projet européen OVPH (Osteoporotic Virtual Physiological Human). Ce consortium a développé une technologie qui, à partir d’imageries médicales standards, peut prédire la résistance osseuse d’un patient, son évolution future et le risque de fractures [5]. Enfin, les JN sont précieux pour la télésurveillance des patients. Grâce à des capteurs connectés, les professionnels de santé peuvent suivre à distance les paramètres physiologiques des personnes âgées ou souffrant de maladies chroniques, et être alertés en cas d’anomalie. Des modèles basés sur les JN, intégrant données comportementales et physiologiques, « peuvent aider à identifier les signes précoces de troubles mentaux » [6].

 

La recherche biomédicale

Les jumeaux numériques sont des outils intéressants pour accélérer la recherche. Ils permettent de mener des expériences virtuelles, réduisant ainsi la dépendance aux essais cliniques traditionnels, qui sont souvent longs et très coûteux [7]. Ces modèles facilitent également le développement de médicaments et de dispositifs médicaux, en évaluant leur efficacité et leur sécurité in silico (c’est-à-dire par simulation informatique) avant de les tester sur des patients. L’objectif est de pouvoir « identifier plus rapidement des biomarqueurs associés à certaines pathologies » [8].

Ils contribuent aussi à l’élucidation des mécanismes biologiques. En modélisant des processus complexes, comme la réponse immunitaire ou la progression d’une tumeur, les chercheurs peuvent mieux comprendre les maladies et découvrir de nouvelles cibles thérapeutiques. Le projet HumMod, par exemple, est un modèle intégré de la physiologie humaine qui englobe plus de 5 000 variables pour simuler le fonctionnement de divers systèmes physiologiques [8].

 

La santé publique

Les jumeaux numériques sont également de précieux alliés pour la surveillance épidémiologique. Ils permettent notamment de modéliser la propagation des maladies infectieuses, de prédire les épidémies et d’évaluer l’efficacité des mesures de santé publique. Pendant la pandémie de COVID-19 par exemple, le projet « Digital Twin of Singapore » a été utilisé pour modéliser la propagation du virus et tester l’impact de différentes stratégies de confinement [9].

Ces outils peuvent aussi servir à optimiser les systèmes de santé. Ils aident à améliorer la gestion hospitalière, la répartition des ressources et la coordination des soins. L’hôpital Johns Hopkins a ainsi utilisé un jumeau numérique pour fluidifier le parcours des patients dans ses services d’urgence, réduisant le temps d’attente de 25% [10]. En offrant une meilleure visibilité sur les besoins des différentes régions, ces modèles « favorisent une répartition plus équitable et efficace des ressources » [10], ce qui pourrait contribuer à réduire les inégalités d’accès aux soins.

 

Des limites et défis à relever

Malgré tout leur potentiel, l’adoption des JN dans le domaine de la santé fait face à de nombreux défis. Il s’agit notamment de la qualité des données, de la complexité de la modélisation, des coûts, des questions éthiques et du risque d’un fossé numérique.

 

La qualité des données

La fiabilité des JN repose sur des données médicales précises, complètes et à jour. Des informations erronées ou manquantes peuvent compromettre la validité des prédictions [11]. L’interopérabilité est un défi majeur, car les systèmes d’information des hôpitaux sont souvent fragmentés. Des pratiques comme le « data curation » (sélection et organisation des données) et la « data governance » (gestion des données) sont donc indispensables pour « garantir la fiabilité des jumeaux numériques » [12].

 

La complexité de la modélisation

Reproduire la complexité du corps humain et de ses interactions représente un défi scientifique notable [13]. Il est crucial de valider rigoureusement les modèles prédictifs des JN par des études cliniques et des essais contrôlés. « Il est donc impératif d’avoir des méthodes de validation robustes et d’effectuer des essais rigoureux pour assurer la fiabilité des résultats fournis par les JN » [14].

 

Les investissements

Le déploiement des JN est coûteux, car il exige des infrastructures informatiques puissantes, des logiciels sophistiqués et une expertise technique pointue [15]. Cet aspect financier risque de creuser les inégalités d’accès aux soins, notamment entre les pays. Comme l’ont noté Jones et al., ces obstacles financiers « risquent de limiter l’adoption généralisée des JN, créant des inégalités d’accès aux soins entre les pays développés et les pays en développement » [16].

 

Les enjeux éthiques et sociaux

L’utilisation des jumeaux numériques soulève des questions éthiques délicates. La protection des données personnelles est un point sensible, et les patients doivent être pleinement informés et donner leur consentement explicite. « La transparence est essentielle pour que les patients donnent un consentement éclairé quant à l’usage de leurs données » [17]. De plus, la question de la responsabilité en cas d’erreur médicale liée à un JN doit être clairement définie. « Le risque d’une déresponsabilisation des soignants est réel, surtout si les systèmes automatisés prennent trop de place dans le processus décisionnel » [17].

Enfin, l’inclusion numérique est cruciale. L’accès aux JN doit être équitable pour toutes les populations, y compris les personnes âgées et celles vivant en milieu rural [9]. Il est nécessaire de renforcer les compétences numériques des professionnels de santé et du grand public pour qu’ils puissent tirer pleinement parti de ces technologies [18].

 

Perspectives et recommandations

Pour que les JN atteignent leur plein potentiel, plusieurs pistes sont à explorer :

• Encourager une approche multidisciplinaire en favorisant la collaboration entre médecins, ingénieurs, chercheurs et patients pour créer des JN adaptés aux besoins réels de la santé [13].
• Mettre en place une gouvernance rigoureuse des données, avec des cadres réglementaires robustes pour garantir la qualité, la sécurité et la confidentialité des données de santé [19].
• Soutenir la recherche et l’investissement, en particulier dans les pays à faible revenu, pour promouvoir un accès équitable à ces technologies.
• Renforcer la formation et la sensibilisation, en formant les professionnels de santé à l’utilisation des JN et en informant le public sur les enjeux et les bénéfices de cette technologie [20].

En conclusion, les JN sont une innovation technologique prometteuse, qui a eu un accueil relativement enthousiaste de la communauté, et qui pourrait transformer la médecine et la santé publique. Mais leur succès dépendra de notre capacité à surmonter les défis liés à la gestion des données, à la complexité de la modélisation, aux aspects éthiques et à l’inclusion numérique. C’est en relevant ces défis que nous pourrons exploiter pleinement le potentiel de ces « doubles » virtuels pour un avenir plus sain.

 

 

Pr DIALLO Gayo

 

 

Institut de Santé Publique d’Épidémiologie et de Développement (ISPED) – Collège Sciences de la Santé
Bordeaux Population Health – Inserm 1219 & ISPED, Univ. Bordeaux, F-33000, Bordeaux, France
Contact mail : gayo.diallo@u-bordeaux.fr

 

Références

1. Björnsson, B., Borrebaeck, C., Elander, N. et al. (2020). Digital twins to personalize medicine. Genome Med 12, 4.
2. Vallée A. (2023). Digital twin for healthcare systems. Front Digit Health.
3. Gayo Diallo. (2023). Neuro-Symbolic Digital Twins for Precision and Predictive Public Health. AI4DT&CP@IJCAI.
4. Techniques Ingé., (2025). Modéliser le vivant : promesses et limites des jumeaux numériques. Dossier de la Rédaction, Juillet 2025, Techniques de l’Ingénieur.
5. Viceconti, M., Hunter, P. & Hose, R. (2015). Big Data, Big Knowledge: Big Data for Personalized Healthcare. IEEE Journal of Biomedical and Health Informatics, 19(4), 1209-1215.
6. Spitzer M, Dattner I, Zilcha-Mano S. (2023). Digital twins and the future of precision mental health. Front Psychiatry, 14, 1082598.
7. Fuller, A., Fan, Z., Day, C. & Barlow, C. (2020). Digital Twin: Enabling Technologies, Challenges and Open Research. IEEE Access, 8, 108952-108971.
8. Fritzsche, A., Ng, I. C., Xu, F., Mau, D. & Rübel, S. (2021). Digital Twins for Personalized Medicine: A Critical Review. IEEE Transactions on Engineering Management.
9. Khan A, Milne-Ives M, Meinert E, Iyawa GE, Jones RB, Josephraj AN. (2022). A Scoping Review of Digital Twins in the Context of the Covid-19 Pandemic. Biomed Eng Comput Biol, 13, 11795972221102115.
10. Karakra, A., Fontanili, F., Lamine, E. & Lamothe, J. (2019). HospiT’Win: A Predictive Simulation-Based Digital Twin for Patients Pathways in Hospital. IEEE EMBS International Conference on Biomedical & Health Informatics (BHI), Chicago, IL, USA, 1-4.
11. Larson, D. & Chang, V. (2016). A review and future direction of agile, business intelligence, analytics and data science. International Journal of Information Management, 36(5), 700-710.
12. Fritzsche, A., Ng, I. C., Xu, F., Mau, D. & Rübel, S. (2021). Digital Twins for Personalized Medicine: A Critical Review. IEEE Transactions on Engineering Management.
13. Bruynseels, K., Santoni de Sio, F. & van den Hoven, J. (2018). Digital Twins in Health Care: Ethical Implications of an Emerging Engineering Paradigm. Frontiers in Genetics, 9, 31.
14. Lu, Y., Liu, C., Wang, K.I., Huang, H. & Xu, X. (2020). Digital Twin-driven smart manufacturing: Connotation, reference model, applications and research issues. Robotics Comput. Integr. Manuf., 61, 101837.
15. World Health Organization. (2021). Noncommunicable diseases.
16. Jones, K. E., Patel, N. G., Levy, M. A., Storeygard, A., Balk, D., Gittleman, J. L., & Daszak, P. (2008). Global trends in emerging infectious diseases. Nature, 451(7181), 990-993.
17. Marmot, M. (2005). Social determinants of health inequalities. The Lancet, 365(9464), 1099-1104.
18. F. Tao, H. Zhang, A. Liu and A. Y. C. Nee, « Digital Twin in Industry: State-of-the-Art, » in IEEE Transactions on Industrial Informatics, vol. 15, no. 4, pp. 2405-2415, April 2019, doi: 10.1109/TII.2018.2873186.
19. Mittelstadt BD, Floridi L. (2016). The Ethics of Big Data: Current and Foreseeable Issues in Biomedical Contexts. Sci Eng Ethics, 22(2), 303-41.
20. Lupton, D. (2018). Digital health: critical and cross-disciplinary perspectives. Routledge.