Revue de cadrage sur l’utilisation des données du monde réel pour évaluer l’efficacité des applications mHealth

Pourquoi vos applications de santé comptent au-delà de votre téléphone

Beaucoup d’entre nous enregistrent aujourd’hui leur humeur, leur sommeil, leurs pas ou leur glycémie dans des applications de santé, mais que deviennent toutes ces informations ? Cet article examine comment les données issues de la vie réelle provenant d’applications de santé mobile (mHealth) sont utilisées pour juger si ces outils aident réellement les personnes dans leur quotidien. Plutôt que de se fier uniquement aux essais cliniques traditionnels, les auteurs étudient des travaux qui exploitent les données que les applications collectent naturellement pendant que les utilisateurs s’en servent chez eux, au travail ou en déplacement.

Ce que les chercheurs ont cherché à découvrir

Les auteurs ont réalisé une revue de cadrage, une sorte de cartographie large, pour voir comment les données du monde réel issues des applications de santé sont actuellement utilisées dans la littérature publiée. Ils se sont concentrés sur les applications destinées aux patients, que les personnes utilisent de façon autonome pour gérer leur santé, suivre des pathologies ou soutenir des changements de mode de vie. De manière cruciale, ils n’ont inclus que les études utilisant des données « naturellement émergentes » — des informations captées via les fonctions normales de l’application ou les dossiers de soins de routine, et non des questionnaires ou outils ajoutés uniquement pour une étude. Ils ont regroupé ces données en trois types simples : les informations saisies par les utilisateurs dans une application, les données enregistrées automatiquement par des dispositifs comme des capteurs ou des objets connectés, et les informations extraites des systèmes de santé tels que les dossiers médicaux électroniques ou les déclarations d’assurance.

Où les applications de santé sont mises à l’épreuve

À partir de plus de dix mille articles, l’équipe a identifié 72 études répondant à leurs critères, couvrant 61 applications différentes. La plupart de ces applications ciblaient des problèmes de santé mentale, comme la dépression ou l’insomnie, ou des troubles métaboliques tels que le diabète et la gestion du poids. Beaucoup d’applications fonctionnent dans la pratique comme des outils médicaux, aidant à orienter le traitement ou les décisions quotidiennes, même si leur statut réglementaire officiel n’est pas toujours clairement indiqué. Les applications de santé mentale s’appuyaient souvent fortement sur ce que les utilisateurs saisissaient à propos de leur humeur, de leur sommeil ou de leurs symptômes, tandis que les applications métaboliques utilisaient plus fréquemment des dispositifs connectés, comme des glucomètres ou des pèses-personnes intelligents qui enregistrent automatiquement des mesures.

Quel type de données ces applications utilisent réellement

La revue a montré que la plupart des études s’appuyaient sur des informations saisies activement, comme des enquêtes de symptômes dans l’application, et que moins d’études tiraient pleinement parti des données passives issues des capteurs ou des systèmes de santé. Environ sept études sur dix utilisaient des données entrées par l’utilisateur, souvent des scores concernant la douleur, l’humeur ou le sommeil. Environ un quart recourait à des données générées par des dispositifs, et seule une petite fraction intégrait des données provenant des dossiers médicaux ou des déclarations d’assurance. De nombreuses applications collectaient des informations en continu ou au moins très fréquemment, mais la façon dont les chercheurs ont analysé ce flux riche était souvent étonnamment limitée. Peu d’études combinaient plusieurs sources de données — par exemple en croisant l’auto‑déclaration du bien‑être avec des relevés de capteurs — malgré la promesse que de telles combinaisons pourraient donner une image plus complète et plus fiable de la santé.

Quelle est la solidité des preuves à ce jour ?

Lorsque les auteurs ont examiné la conception des études, ils ont constaté que la plupart se limitaient à des comparaisons simples avant/après au sein d’un même groupe d’utilisateurs, sans groupe de contrôle pour comparer. Seul un petit nombre a utilisé des approches plus rigoureuses, comme la comparaison d’utilisateurs d’applications avec des non‑utilisateurs similaires, ou la conduite d’essais randomisés pragmatiques qui reflètent davantage les soins réels. En conséquence, de nombreuses études actuelles peuvent montrer que les symptômes des personnes ont changé pendant qu’elles utilisaient une application, mais elles ne peuvent pas affirmer avec confiance que c’est l’application elle‑même qui a causé ces changements. La taille des études variait considérablement, de quelques dizaines de personnes à des centaines de milliers, et le suivi ne durait souvent que quelques mois, si bien que les effets à long terme restent mal connus.

Ce que cela signifie pour les patients et les soins numériques futurs

Globalement, la revue dresse un tableau d’un grand potentiel mais d’un travail inachevé. Les applications de santé sont manifestement capables de capturer de grandes quantités d’informations du monde réel sur la façon dont les personnes se sentent et fonctionnent, et ces données pourraient soutenir des contrôles continus et flexibles de la performance des outils numériques une fois commercialisés. Pourtant, jusqu’à présent, la plupart des études publiées n’exploitent que partiellement ce potentiel. Elles s’appuient fortement sur l’auto‑déclaration, utilisent des conceptions d’études limitées et relient rarement les données d’application aux dossiers cliniques. Pour donner davantage de confiance aux cliniciens, aux régulateurs et aux patients, les évaluations futures devront combiner différents types de données du monde réel, suivre les personnes sur des périodes plus longues et employer de meilleures méthodes de comparaison. Bien mené, cela pourrait transformer l’utilisation quotidienne des applications en un puissant moteur d’apprentissage sur ce qui fonctionne réellement dans les soins de santé numériques.

Citation: Gehder, S., Brückner, S., Gilbert, S. et al. A scoping review on using real-world data to evaluate the effectiveness of mHealth applications. npj Digit. Med. 9, 309 (2026). https://doi.org/10.1038/s41746-026-02562-0

Mots-clés: applications de santé mobile, données du monde réel, thérapeutiques numériques, recherche sur les données de santé, mHealth fondée sur des preuves