La E-santé en 2020, perspectives

Les tendances (International) 295 000 applications en santé Activité physique 80 % n’ont pas d’impact réel sur un traitement ou un suivi médical Nutrition et prise de poids Sommeil Information médicale Diabète Adaptation des doses d’anticoagulant 5 % sont intéressantes en terme de santé 1 est en cours de remboursement en France Diabéo (Sanofi opérée par Voluntis) 1 a fait l’objet d’une évaluation scientifique Moovcare, Cancer du poumon, détection des rechutes

Les tendances (International)

Développements en cours DMP Assurance maladie Droits mutuelles, tiers payant Ouverture vers les sociétés privées et le patient Parcours patient ville hôpital Délivrance de médicaments et observance Pilulier connecté Medissimo Cabine de téléconsultation Fusion applis / objets connectés ECG intégrés aux vêtements voiture connectée montre qui surveille (épilepsie par Apple) détection de chutes / d’activité détection de décompensation cardio, balance connectée … Dossier santé personnel Télé expertise Plateforme de télé conseil Surveillance data mining deep learning Watson (IA) …

Les tendances Détections automatiques d’évènements 2025 Détections automatiques d’évènements Analyses automatiques Médecine personnalisée 2020 Innovations basées sur des ruptures scientifiques Utilisation de data mesurées en continu Deep learning Génomique 2018 Utilisation de symptômes auto déclarés (patient, capteurs) Parcours patients, coordinations de soins (Ideo’in Maincare …) Premiers services concrets en rupture conceptuelle (Moovcare, Diabéo …) Accès aux soins Aujourd’hui Les premières idées (wellness, coaching, informations, parcours individuels …) Beaucoup d’applications peu spécifiques Peu d’applications très spécifiques

Business modèles en création et évolution Ubérisation : rupture d’usage et de modèle économique conduisant à une réorganisation en circuit court après une période de désordre spontané Nous ne sommes pas sur une approche de ce type : - le niveau informationnel nécessaire à l’entrée d’une solution est très important - l’évolution en cours n’est pas purement organisationnelle ou économique mais combine les deux en y ajoutant des apports importants (nouvelles sources d’infos, nouvelles approches de traitements, nouveaux circuits informationnels en construction) - l’humain n’est pas un problème mais une solution : les médecins ne sont pas bloquants mais demandent à maitriser l’évolution afin de protéger leurs patients de risques mal mesurés ou mal anticipés. Ils seront toujours parties aux évolutions.

Exemple : Moovcare Improved Overall Survival in Lung Cancer Patients using a Webapplication-mediated Follow-up compared to Standard Modalities: Results of a Phase III Randomized Trial Fabrice DENIS MD, PhD Inter-regional Jean Bernard Cancer Institute, Le Mans, FRANCE f.denis@cjb72.org

Follow-up and Patient-reported Outcome… 75%-90% of relapse are symptomatic* Relapsing patient often wait many weeks before visit with symptoms** More and more patients/caregivers « connected » Patient-reported outcome useful*** Improving survival ? The rational of this study is that most of relapses are symptomatic in lung cancer and symptomatic patients often wait many weeks before visit. More and more patients are connected and patient-reported outcome by web-application may be useful to optimize communication of symptoms between patient and physician. It may also improve survival. * GL Walsh et al. Ann Thorac Surg 1990 ** F Denis et al Support Care Cancer 2014 *** Basch et al. JCO 2005

Web-mediated follow-up - Patient (or relative) reports 12 symptoms and can use a free text window - Weekly using smartphone, tablet, PC… - Algorithm analysis - Relapse / dangerous medical condition suggested - Alert sent to oncologist ➜ phone call - Early visit +/- imaging We developed a web-mediated follow-up in which patients report 12 symptoms weekly using smartphone or PC. They can also use a free text window. An algorithm analyses dynamic and association of symptoms and triggers email alerts to caregivers if relapse or dangerous medical conditions are suggested. Following email alert, a direct contact with patient is done by phone. If alert is confirmed, anticipated visit and adequate imaging is organized.

Previous results : validation of algorithm Study 1: 6 symptoms Sentinel (% CI 95) Routine imaging (% CI 95) 2 prospective pilot studies 43 and 42 stage III/IV patients 6 and 11 symptoms reported 86-100% Sensitivity Relapse detected 5 weeks earlier 100% Patients satisfied/reassured Sensitivity 86% (67-100) 79% (57-100) Specificity 93% (83-100) 96% (89-100) Positive predictive value 92% (77-100) Negative predictive value 90% (77-100) Study 2: 11 symptoms Sentinel % (CI 95) Routine imaging % (CI 95) Sensitivity 100% 85% (66-100) Specificity 89% (77-100) 96% (89-100) Positive predictive value 81% (62-100) 92% (77-100) Negative predictive value 93% (84-100) We previously assessed accuracy of relapse detection algorithm in lung cancer in two separate studies. In the first study we used 6 symptoms weekly reported by patients and in a second one, 11 symptoms to increase sensitivity of relapse detection. Sensitivity was high and relapses were detected on average 5 weeks before planned imaging. All patients were satisfied and felt reassured by this follow-up. F Denis et al Support Care Cancer 2014

+ 27% one-year survival improvement Phase 2 : survival Patients surviving 1.0 Non-randomized mono-centric study 98 Patients (Stage III/IV Lung cancer) + 27% one-year survival improvement Phase 3 trial Web-application arm 0.8 +27% 0.6 0.4 Control arm 0.2 We then assessed survival in a non-randomized study of 98 patients after treatment of a stage 3/4 lung cancer. This study suggested a 27% one-year survival improvement as compared with control follow-up, leading to a phase 3 trial conception which is presented now. p (log-rank) = .0175 10 20 F Denis et al Am JCO 2015

Phase 3 multi-centric randomized study Ineligible N = 12 Stage 3 mo 6 mo 9 mo 12mo 15mo 18mo 21mo 24mo Webapp arm II-IIIA CT IIIB-IV Primary outcome: Overall Survival Secondary outcomes: PS evaluation at 1st relapse PFS QOL Cost effectiveness R 1:1 N = 60 N = 133 N = 61 Stage 3 mo 6 mo 9 mo 12mo 15mo 18mo 21mo 24mo arm II-IIIA CT IIIB-IV Non-progressive Stage II (only N+) - IV SCLC and NSCLC Internet access PS 0-2 and symptomatic score < 7 TKI or maintenance therapy allowed Planned visit similar in both arms Reduction of scheduled imaging *We compared web-mediated follow-up in this phase 3 muticentric trial to usual non-personalized follow-up that used numerous scheduled imaging by CT-scan. It was conducted in 5 academic and private centers in France. *Eligible patients had non progressive – stage II (only TxN1) to IV – lung cancer. They must have internet access, PS less than 3 and an initial symptomatic score less than 7. This score was the sum of self-reported intensity of asthenia, breathlessness, cough, pain and anorexia. TKI or maintenance therapy were allowed. *Planned monitoring visit frequency was identical in both groups. Planned CT-scan were performed every 3 to 6 months according to cancer stage in control arm. Additional visits and CT-scans could be performed at investigator’s discretion during maintenance therapy for example. In the web-application arm, the scheduled CT-scan were performed every 6 to 12 month only, according to cancer stage. An anticipated visit and imaging was performed following web application alert suggested by the algorithm. Primary outcome was overall survival.

Overall Survival Improvement Hazard ratio for death = 0.325 ([0.157; 0.672], p=0.0025) Web-application arm (n = 60) Control arm (n = 61) Median OS (95% CI) 19 (12.5 – NC) 12 (8.6 – 16.4) 79% 9 mo OS 59% 75% 12 mo OS 49% 1.0 0.8 0.6 0.4 0.2 5 10 15 20 Web-application arm Control arm +26% +20% Months Median follow-up was 9-months. Median overall survival was 19 months in web-application arm and 12 in control arm. 9-months absolute benefit was 20% and one year benefit was 26%. HR for death was 0.3.

Moovcare : Synthèse Critère principal: Amélioration de la survie de 26% à 1 an (75% vs 49%), p=0.0025 Amélioration de la qualité de vie (FACT-L) Réduction de 50% des imageries (TDM-TEP/TDM) par an et par patient Réduction des appels téléphoniques intempestifs des patients Temps médecin: 15 minutes/semaine/60 patients utilisateurs

En conclusion : quels risques Pour les patients Nombre d’applications / objets en augmentation exponentielle, effet de jungle Maitrise difficile de la qualité des solutions Coûts potentiellement importants si modèle de prise en charge défaillant Visibilité sur l’exploitation des données parfois limitée Pour les professionnels de santé Distorsion de la perception du patient (filtres mal maitrisés ou peu fiables) Overdose d’informations peu pertinentes Multiplicité des solutions sans repère Evolution des pratiques nécessitant des adaptations / apprentissages Virtualisation du métier Pour les institutions Surcoûts si innovation limitées à des sous taches (pas d’évolution du système dans l’ensemble) Confrontation avec le principe de précaution Régulation des mises sur le marché (nombre important, qualité variée, preuve à priori difficile, Dispositifs d’accompagnements peu pertinents) Mise à plat de la gouvernance globale afin d’intégrer l’évolution nécessaires des organisations et des SI

En conclusion : quelles opportunités Pour les patients Services performants et personnalisés Information pertinente au bon moment Meilleure visibilité sur le parcours de soins Suivi en ambulatoire moins stressant Meilleure qualité de vie Pour les professionnels de santé Meilleure anticipation des problèmes Nouvelles solutions de suivi / relation au patient Gain de temps du fait des routines de suivi automatisées Profession en évolution, l’expertise est privilégiée Recherches macro et micro accélérées par la quantité de datas disponibles Pour les institutions Limitation de la iatrogénie Maitrise des coûts possible par effet systémique Relation améliorée aux patients et professionnels de santé Accompagnement et accèlération de l’évolution de l’accès aux soins