Aurions-nous imaginé, il y a 10 ans, qu’il devienne possible de créer des répliques d’organes de chaque patient, imprimées en 3D, afin de permettre aux chirurgiens de s’entraîner avant une opération et d’augmenter de manière significative les chances de succès d’une opération ?
Ce genre d’innovation, qui n’était même pas imaginée il y a 10 ans, est rendue possible par une start-up française (BIOMODEX), grâce à l’avancée des technologies d’impression 3D, mais aussi, et surtout, grâce aux outils numériques de modélisation et de simulation. Et la raison pour laquelle je suis passionné par mon métier chez Dassault Systèmes, ou j’accompagne notamment BIOMODEX, ce n’est pas seulement pour l’attrait de ces nouvelles technologies, mais c’est pour le service ultime rendu par ces innovations : soigner mieux et réduire les risques.
C’est tout le sujet de la note “Innover, c’est bon pour la santé !” publiée le mois dernier par l’Institut de l’Entreprise à laquelle nous avons collaboré. Je vous invite à y découvrir les axes de proposition que nous y faisons : fluidifier l’arrivée des innovations dans notre système de santé, assurer un financement précoce, progressif et contrôlé de l’innovation, faciliter la captation par le système de santé des rentes détruites par l’innovation, faciliter l’adoption des innovations par les pionniers et les adoptants précoces, diffuser les bonnes pratiques auprès de la majorité des utilisateurs et enfin permettre la diffusion entre acteurs de la mesure d’impact des innovations synthèse des propositions.
Un des points listé ci-dessous me semble important à souligner : l’’utilisation du Big Data et des outils de collaboration dématérialisée pour la recherche clinique. En effet, des approches de plus en plus intégrées de la recherche se développent, et permettent de proposer des approches collaboratives ou des services qui changent les processus de R&D, voire de production et d’utilisation dans les technologies médicales. Au travers notamment d’une approche multidisciplinaire, transverse entre organisations en développant des modèles virtuels qui permettent de prévoir le comportement de systèmes complexes et d’optimiser le passage au prototype physique, en réduisant délais et coûts. En plus d’optimiser le coût de la R&D en santé, ces approches permettent au final de proposer au système de santé des innovations plus efficaces pour des populations de patients mieux identifiées qui vont répondre aux traitements de la manière escomptée.
