Le patch connecté à l’hôpital va-t-il remplacer les tournées de nuit ?

Dans la plupart des services hospitaliers, hors soins critiques, les constantes des patients sont relevées toutes les quatre à huit heures. Ce rythme laisse des intervalles sans observation, alors même que la dégradation clinique est souvent précédée d’anomalies physiologiques détectables en amont [1]. La surveillance repose ainsi sur une succession de mesures fractionnées avec un risque de détection tardive.

Les dispositifs portés en permanence modifient le rythme de la surveillance. Ils permettent un enregistrement continu de paramètres tels que les fréquences cardiaque et respiratoire ou la saturation en oxygène. Le monitorage s'exerce ainsi en temps réel, contribuant à une détection plus précoce des décompensations cliniques.

Une étude publiée en 2025 dans Nature Communications montre qu’un modèle de deep learning alimenté par des données issues de capteurs portés permet de prédire une dégradation clinique jusqu’à 17 heures avant l’événement, avec une précision de 81,8 %, et des performances supérieures aux outils fondés sur des mesures intermittentes [2].

Une organisation technique à revoir

L’intégration de flux continus de données physiologiques pose toutefois des contraintes pour le SIH, en complément de systèmes centrés sur des données structurées issues du DPI. Elle impose des systèmes capables de traiter des séries temporelles, de filtrer les données et de produire des alertes contextualisées [3]. Cela suppose des mécanismes de normalisation, de gestion de la volumétrie et des interfaces orientées vers la visualisation de tendances [2,3].

L’interopérabilité devient un point critique. L’intégration de ces dispositifs suppose leur connexion aux DPI et la gestion de flux de données en temps réel. Les architectures hybrides, combinant traitement local et analyse centralisée, se développent pour limiter la latence et contenir la volumétrie [3]. Les travaux récents (Bignami E.G. et al., octobre 2025) soulignent que les principaux défis concernent l’intégration des données et leur insertion dans les organisations de soins [3].

Au-delà du filtrage technique, l'organisation de la réponse clinique constitue un élément clé de ces dispositifs, comme le souligne le NHS au Royaume-Uni [4]. Un essai randomisé récent mené en conditions réelles montre par ailleurs que l’introduction d’un monitoring prédictif fondé sur des données continues et des modèles d’IA n’améliore pas significativement les résultats cliniques en l’absence d’intégration effective dans les pratiques de soins [5].

Une réponse clinique à organiser

Sur le plan organisationnel, les dispositifs de monitoring continu s’inscrivent dans des modèles de prise en charge structurés. Ils reposent sur la mise en place de parcours cliniques, de dispositifs de surveillance à distance et de procédures d’escalade en cas d’alerte [4]. Ces dispositifs impliquent une organisation de la surveillance des patients et de la réponse clinique associée.

Plusieurs limites apparaissent toutefois à l'usage. La qualité des mesures varie selon les paramètres, les capteurs et les conditions d'utilisation, et les dispositifs restent sensibles aux artefacts de mouvement comme aux pertes de signal. Ils ne sont pas non plus interchangeables : leurs performances dépendent de leur configuration technique, de leur connectivité et du contexte dans lequel ils ont été validés [3]. À cela s'ajoute la production continue de données, qui impose des mécanismes de sélection pour limiter la surcharge informationnelle [3].

Enfin, l’intégration de ces dispositifs soulève des questions liées à l’utilisation des données et à leur exploitation dans la décision clinique. L’introduction d’algorithmes dans les processus de surveillance implique des adaptations des organisations et des pratiques [3].

Le point critique n’est pas le capteur, mais la capacité du système d’information à intégrer ces flux, à produire des alertes exploitables et à structurer une réponse clinique dans des délais compatibles avec l’anticipation.

Sources                                                      

[1] Bignami E.G. et al., Wearable devices as part of postoperative early warning score systems: a scoping review, Journal of Clinical Monitoring and Computing, 8 octobre 2024. https://doi.org/10.1007/s10877-024-01224-4

[2] Scheid M.R. et al., Development and validation of a clinical wearable deep learning based continuous in-hospital deterioration prediction model, Nature Communications, 3 novembre 2025. https://doi.org/10.1038/s41467-025-65219-8

[3] Bignami E.G. et al., Wearable Devices in Healthcare Beyond the One-Size-Fits-All Paradigm, Sensors, 20 octobre 2025. https://doi.org/10.3390/s25206472

[4] NHS England, Virtual wards [en ligne], https://www.england.nhs.uk/virtual-wards/ (consulté en avril 2026).

[5] Keim-Malpass J. et al., A randomized controlled trial of artificial intelligence-based analytics for clinical deterioration, Scientific Reports, 5 février 2026. https://doi.org/10.1038/s41598-026-39051-z