Et si, pour changer une trajectoire santé ou une habitude, nous pouvions simuler non seulement ses conséquences sur notre santé, mais aussi les interventions susceptibles de produire ce changement ?
3 points clés à retenir
- Un jumeau numérique capable de prédire l’effet d’un comportement sur la santé ne sait pas nécessairement quelle intervention permettra de modifier ce comportement.
- Passer de la prédiction à la décision nécessite d’estimer les effets des interventions, puis d’intégrer le contexte, l’incertitude, les contraintes et les préférences de la personne.
- Les premières briques existent, mais les données actuelles ne démontrent pas encore qu’un système puisse apprendre de manière fiable quelle intervention comportementale privilégier pour une personne donnée et l’adapter dans le temps.
Augmenter son activité physique. Modifier son alimentation. Dormir davantage. Réduire sa consommation d’alcool… Deux personnes susceptibles de bénéficier du même changement peuvent ne pas avoir besoin de la même intervention pour parvenir à l’adopter.
C’est l’une des questions que soulève le développement des jumeaux numériques en santé.
Construire une représentation numérique individualisée à partir de données cliniques, biologiques, comportementales ou issues de capteurs ouvre plusieurs possibilités.
Mais celles-ci correspondent à des problèmes scientifiques différents : Décrire → prédire → simuler un contrefactuel → estimer l’effet d’une intervention → choisir → observer → adapter.
Passer d’une étape à l’autre suppose bien davantage que d’accumuler des données ou d’améliorer la précision d’un algorithme.
C’est particulièrement vrai lorsqu’il s’agit de modifier un comportement.
Les jumeaux numériques ne sont pas simplement un modèle prédictif
Le terme « jumeau numérique » recouvre aujourd’hui des systèmes assez différents.
Un algorithme qui estime un risque cardiovasculaire individuel n’est pas nécessairement un jumeau numérique.
Une application qui recommande de marcher davantage ne l’est pas automatiquement non plus.
Les définitions proposées dans la littérature mettent généralement l’accent sur plusieurs propriétés : une représentation individualisée d’un système réel, des données permettant d’actualiser cette représentation et des capacités de prédiction, de simulation ou d’aide à la décision.
Mais le périmètre reste hétérogène.
Une scoping review publiée en 2024 dans npj Digital Medicine décrivait déjà un domaine en forte expansion mais encore relativement immature. Une autre revue, consacrée aux Human Digital Twins et publiée en 2025, a examiné 149 études.
Seules 18, soit environ 12 %, répondaient à l’ensemble des critères de jumeau numérique retenus par les
auteurs : personnalisation, actualisation dynamique, capacités prédictives et utilisation des prédictions pour éclairer une décision.
Plus frappant encore : seules deux études mentionnaient explicitement une démarche de vérification, validation et quantification de l’incertitude, souvent regroupée sous l’acronyme VVUQ (verification, validation and uncertainty quantification).
La question n’est donc pas seulement de savoir si nous pouvons construire une représentation numérique individualisée, mais si nous pouvons démontrer qu’elle est suffisamment fiable pour éclairer une décision.
1. Décrire : où en est la personne ?
Le premier niveau consiste à construire une représentation individualisée de l’état actuel.
En cardiologie, par exemple, des chercheurs ont construit 3 461 jumeaux cardiaques à partir de données de la UK Biobank, auxquels s’ajoutaient 359 modèles issus d’une cohorte de personnes atteintes de cardiopathie ischémique. Ces modèles ont notamment permis d’étudier des propriétés électrophysiologiques individuelles du cœur.
Dans le domaine comportemental, la représentation peut intégrer l’activité physique, le sommeil, l’alimentation, l’adhésion thérapeutique ou encore des données issues de capteurs.
Mais décrire précisément ce qui se passe ne signifie pas nécessairement comprendre pourquoi cela se passe.
Une diminution du nombre de pas peut être liée à une douleur, à une modification du travail, au sommeil, à l’environnement ou à un changement de priorité.
Le nombre de pas peut être mesuré. Les mécanismes qui expliquent sa diminution ne sont pas nécessairement directement observables.
Mesurer un comportement et identifier ses déterminants sont donc deux problèmes différents.
2. Prédire : que va-t-il probablement se passer ?
Le deuxième niveau consiste à prédire une évolution.
Quelle sera probablement la glycémie demain ? Comment un paramètre physiologique pourrait-il évoluer ? Quelle trajectoire est la plus probable ?
Ces prédictions peuvent être utiles. Elles ne répondent cependant pas encore à la question de l’intervention.
Imaginons qu’un modèle identifie qu’une personne qui marche davantage présente généralement une meilleure glycémie. Cette relation peut avoir une valeur prédictive sans permettre de déterminer ce qui se serait
produit si cette personne avait effectivement marché davantage.
Et elle indique encore moins quelle intervention aurait permis d’obtenir cette augmentation d’activité.
Prédire la réponse de l’organisme à un comportement n’est pas la même chose qu’estimer la réponse d’une personne à une intervention destinée à modifier ce comportement.
Une revue systématique publiée en 2026 dans l’International Journal of Medical Informatics montre que les applications de digital twins spécifiquement destinées au self-care comportemental commencent à émerger, mais que cette littérature reste limitée et largement concentrée sur le diabète de type 2.
3. Simuler un contrefactuel : que se serait-il passé autrement ?
Supposons qu’une personne augmente son activité physique et que sa glycémie s’améliore ensuite.
Pour raisonner causalement, il faudrait pouvoir répondre à une question impossible à observer directement : que se serait-il passé chez cette même personne, au même moment, si elle n’avait pas augmenté son activité ?
C’est le problème contrefactuel.
Un jumeau numérique pourrait devenir particulièrement intéressant s’il permettait de simuler plusieurs trajectoires : sans changement, avec davantage d’activité, avec une modification alimentaire ou sous différentes combinaisons d’interventions.
Mais simulation et estimation causale ne sont pas synonymes.
Un modèle peut reproduire avec précision les associations présentes dans ses données sans identifier ce qui se produirait réellement sous intervention.
Des travaux récents autour des causal digital twins proposent donc d’intégrer modèles causaux structurels, cadre des potential outcomes et méthodes d’apprentissage séquentiel aux architectures de jumeaux numériques.
Cette évolution est importante, mais reste un cadre méthodologique en développement, et non la démonstration qu’un jumeau numérique sait déjà déterminer de façon fiable ce qui fonctionnerait pour
chaque patient.
4. Estimer l’effet d’une intervention : que se passe-t-il si nous agissons ?
Même si augmenter l’activité physique est susceptible d’améliorer la santé d’une personne, une question reste entière : que faut-il lui proposer pour obtenir ce changement ?
Marcher après les repas ? Réduire le temps assis ? Proposer un accompagnement humain ? Un feedback quotidien ? Modifier certaines contraintes de l’environnement ?
La question devient : quel serait l’effet de l’intervention A, comparativement à B ou à l’absence d’intervention, chez cette personne et dans ce contexte ?
Une intervention comportementale comporte en outre plusieurs étapes : Recommandation délivrée → exposition à la recommandation → acceptation → comportement réalisé → comportement maintenu → modification physiologique → bénéfice clinique.
Une défaillance peut intervenir à chacune d’elles.
Un système peut donc prédire correctement qu’un comportement serait bénéfique tout en étant incapable de produire ce comportement. Un changement peut aussi être obtenu sans être maintenu, ou être maintenu sans
produire exactement le bénéfice clinique attendu.
Performance prédictive, exposition et réponse à l’intervention, changement comportemental, maintien et résultat de santé doivent donc être distingués.
Ce que nous apprennent les premières études cliniques sur les jumeaux numériques et les comportements de santé
Le diabète de type 2 constitue l’un des principaux terrains d’expérimentation.
Une analyse secondaire d’un essai randomisé publiée en 2024 dans JACC: Advances a comparé, chez 319 personnes atteintes de diabète de type 2, une intervention intégrant une technologie qualifiée de digital twin
aux soins standards. Plusieurs résultats concernant la pression artérielle étaient favorables au groupe digital twin.
Mais l’intervention associait données issues de dispositifs connectés, recommandations concernant notamment l’alimentation, l’activité physique et le sommeil, technologie numérique et accompagnement humain.
L’étude comportait également plusieurs limites méthodologiques, notamment des pertes de suivi, l’utilisation d’une imputation par dernière observation disponible et de petits effectifs pour certaines analyses.
Elle ne permet donc pas d’isoler l’effet propre du jumeau numérique.
La conclusion prudente est qu’un programme complexe intégrant une technologie qualifiée de digital twin a obtenu certains résultats favorables dans cet essai, et non que le digital twin, pris isolément, en
est la cause.
Cette prudence est cohérente avec une revue systématique publiée en 2024 dans npj Digital Medicine, qui n’avait retenu que 12 études répondant à ses critères parmi 1 321 références initialement identifiées.
Le volume de publications consacrées aux jumeaux numériques ne doit donc pas être confondu avec le volume de preuves cliniques permettant d’établir leur efficacité.
5. Choisir : quelle intervention faut-il privilégier ?
Même si nous pouvions estimer correctement les effets de plusieurs interventions, il resterait encore à choisir.
Imaginons qu’une intervention produise le bénéfice attendu mais demande beaucoup de temps, qu’une autre soit moins efficace mais beaucoup plus facile à maintenir et qu’une troisième produise plusieurs bénéfices plus
modestes.
Laquelle est optimale ?
La réponse dépend de ce que le système cherche à optimiser : bénéfice clinique, probabilité d’adoption, maintien, effets indésirables, temps, coût, charge pour la personne, qualité de vie ou préférences.
L’optimalité n’est donc pas uniquement une propriété des données.
Elle dépend également des objectifs poursuivis et de la manière dont sont arbitrés plusieurs résultats possibles, sous incertitude.
Un système disposant d’excellentes estimations causales ne sait donc pas automatiquement quelle décision privilégier.
Le problème est donc plutôt « Qu’est-ce qui compte pour cette personne, et quel compromis est acceptable ? » que « qu’est-ce qui fonctionne » ?
6. Observer : que s’est-il réellement passé ?
Une fois l’intervention choisie, une nouvelle information devient disponible : la réponse réelle.
La personne a-t-elle été exposée à l’intervention ? Le comportement a-t-il changé ? Pendant combien de temps ? Dans quel contexte ? L’effet physiologique attendu est-il apparu ?
Ces données peuvent enrichir le modèle, mais elles créent un problème méthodologique.
Si un système propose plus souvent une intervention aux personnes qu’il estime susceptibles d’y répondre, puis observe qu’elles répondent davantage, il ne peut pas automatiquement en conclure que cette intervention fonctionne particulièrement bien pour elles.
Le système contribue à produire les données à partir desquelles il apprend ensuite.
Accumuler des observations ne suffit donc pas. Il faut aussi concevoir la manière dont les données permettant d’identifier les effets des interventions seront produites.
C’est précisément un problème sur lequel la recherche travaillait avant l’apparition des jumeaux numériques.
Les Sequential Multiple Assignment Randomized Trials (SMART) permettent d’étudier des séquences d’interventions adaptées à la réponse antérieure. Les micro-randomized trials (MRT) utilisent des
randomisations répétées afin d’estimer l’effet proximal d’interventions selon le moment et le contexte.
Ces méthodes contribuent notamment au développement des Just-in-Time Adaptive Interventions (JITAI), conçues pour adapter le soutien à l’état et au contexte évolutifs d’une personne.
Le digital twin n’invente donc pas la science des interventions adaptatives. Il pourrait en revanche constituer une architecture permettant d’intégrer représentation individualisée, prédiction, expérimentation et adaptation.
7. Adapter : que faut-il faire maintenant ?
La dernière étape consiste à utiliser la réponse observée pour modifier la décision suivante : intervention → réponse observée → mise à jour du modèle → nouvelle décision.
Une intervention pertinente aujourd’hui peut ne plus l’être quelques mois plus tard. L’état physiologique, le travail, le sommeil, une douleur, les contraintes ou les préférences peuvent évoluer.
Le problème devient alors celui d’une politique adaptative : déterminer quelle action choisir à chaque moment en fonction de l’état actuel, des interventions précédentes, de leurs résultats et des objectifs poursuivis.
Une étude publiée en 2026 dans npj Health Systems fournit une première illustration de certaines de ces briques. Elle a randomisé 19 participants atteints de diabète de type 2. Le système utilisait un modèle prédictif régulièrement réentraîné pour générer des recommandations personnalisées, revues par un humain avant leur transmission.
L’effectif était cependant très faible, le système essentiellement unidirectionnel et l’adhésion aux recommandations n’était pas formellement mesurée.
L’étude illustre donc une architecture possible ; elle ne démontre pas qu’une politique comportementale individualisée optimale peut déjà être apprise.
L’apprentissage par renforcement apporte-t-il la solution ?
L’apprentissage par renforcement constitue une piste lorsque les décisions doivent être prises successivement.
Une étude publiée en 2026 dans Frontiers in Artificial Intelligence a proposé un cadre combinant jumeau numérique, Q-learning et planification fondée sur des graphes pour explorer l’optimisation d’interventions comportementales personnalisées.
Mais les expériences reposaient sur des populations synthétiques de 25 à 100 utilisateurs simulés pendant 365 jours. Surtout, le Q-learning n’a pas montré de supériorité statistiquement significative sur les méthodes de comparaison testées.
Ces résultats constituent donc une exploration méthodologique, pas une preuve d’efficacité chez l’humain.
Apprendre à optimiser une population synthétique n’est pas encore apprendre à intervenir efficacement auprès de personnes réelles.
Du modèle descriptif au système adaptatif : des niveaux de preuve différents
| Niveau | Question | Ce qu’il faut démontrer |
|---|---|---|
| Descriptif | Où en est la personne ? | Qualité, fidélité et représentativité des données |
| Prédictif | Que va-t-il probablement arriver ? | Performance prédictive, calibration et validation externe |
| Contrefactuel | Que se passerait-il dans un autre scénario ? | Validité des hypothèses nécessaires à l’inférence causale |
| Interventionnel | Quel effet produit A plutôt que B ? | Effets causaux estimés avec des données et plans d’étude adaptés |
| Décisionnel et adaptatif | Quelle action privilégier maintenant ? | Critère de décision explicite, apprentissage séquentiel, préférences, sécurité et gestion de l’incertitude |
| Clinique | Le système améliore-t-il réellement la santé ou les soins ? | Évaluation prospective, bénéfice clinique, sécurité et utilité réelle |
Cette grille n’est pas une classification officielle des jumeaux numériques. Elle distingue des types de revendications qui nécessitent des preuves différentes.
Un système prédictif performant n’est pas automatiquement valide pour estimer des contrefactuels. Un système capable d’estimer des effets causaux ne sait pas automatiquement quelle décision privilégier. Et une
décision mathématiquement optimisée ne démontre pas automatiquement un bénéfice clinique.
Une personnalisation qui pose aussi une question éthique
Plus un système apprend quelles interventions sont susceptibles de modifier le comportement d’une personne, plus la question de l’autonomie devient importante.
Il existe une différence entre : « voici une information personnalisée sur votre santé » et « voici l’intervention qui devrait augmenter la probabilité que vous adoptiez tel comportement ».
La seconde proposition agit directement sur les conditions de décision et d’action.
Consentement, transparence, gouvernance des données, biais et équité deviennent alors essentiels. Mais une autre question doit être posée : qui définit ce que le système doit optimiser ?
Une amélioration biologique maximale n’est pas nécessairement le seul résultat pertinent. Le temps, l’effort, la qualité de vie, les contraintes personnelles et le droit de ne pas poursuivre un objectif
comptent également.
Un système véritablement personnalisé ne devrait donc pas seulement mieux connaître la personne. Il devrait aussi intégrer, dans la mesure du possible, ce qui compte pour elle.
Peut-on apprendre quelle intervention fonctionne pour chacun ?
Les jumeaux numériques permettent déjà de construire des représentations individualisées et de prédire certains phénomènes physiologiques ou métaboliques.
Des essais cliniques intégrant des technologies qualifiées de digital twins existent, notamment dans le diabète, même s’ils évaluent souvent des interventions complexes mêlant technologie, recommandations et accompagnement humain.
Une littérature spécifiquement consacrée au self-care comportemental commence également à apparaître. Des travaux sur les causal digital twins et l’apprentissage par renforcement cherchent à rapprocher
prédiction, contrefactuels, effets d’intervention et optimisation séquentielle.
Mais passer de « que va-t-il probablement arriver ? » à « que devons-nous faire maintenant ? » nécessite plusieurs étapes distinctes :
Décrire : où en est cette personne ?
Prédire : que va-t-il probablement se passer ?
Simuler un contrefactuel : que pourrait-il se passer dans un autre scénario ?
Estimer l’effet d’une intervention : que produirait A plutôt que B ?
Choisir : quel compromis est pertinent pour cette personne ?
Observer : que s’est-il réellement passé ?
Adapter : que faut-il modifier maintenant ?
Aucune des avancées actuelles ne démontre encore qu’un système sait accomplir de manière fiable l’ensemble de cette chaîne pour déterminer, chez une personne réelle et au fil du temps, quelle intervention
comportementale choisir afin de produire un bénéfice durable, tout en tenant compte de l’incertitude, de la charge, de la sécurité et de ses préférences.
Le véritable défi scientifique se situe peut-être là.
Il ne consiste plus seulement à mieux prédire une trajectoire individuelle, mais à apprendre quelle action est susceptible de la modifier, pour cette personne, dans ce contexte et à ce moment précis et
avec quel degré d’incertitude.
Les premières briques existent.
Le système capable de les réunir avec une validité causale, une utilité clinique démontrée et une adaptation réellement individualisée reste à construire.
Références
Chatterjee, A., & Avazov, N. (2026). Digital twin framework for personalized behavioral health optimization with Q-learning and graph-based planning. Frontiers in Artificial Intelligence, 9, 1834688. https://doi.org/10.3389/frai.2026.1834688
Hsu, T.-C. C., Whelan, P., Gandrup, J., et al. (2025). Personalized interventions for behaviour change: A scoping review of just-in-time adaptive interventions. British Journal of Health Psychology, 30(1), e12766. https://doi.org/10.1111/bjhp.12766
Katsoulakis, E., Wang, Q., Wu, H., et al. (2024). Digital twins for health: A scoping review. npj Digital Medicine, 7, 77. https://doi.org/10.1038/s41746-024-01073-0
Qian, S., Ugurlu, D., Fairweather, E., et al. (2025). Developing cardiac digital
twin populations powered by machine learning provides electrophysiological
insights in conduction and repolarization. Nature Cardiovascular Research, 4,
624–636. https://doi.org/10.1038/s44161-025-00650-0
Saeedian, Y., Wright, C., Jansons, P., Shen, Y., et al. (2026). Digital twin technologies for supporting self-care in adults with diet-related chronic conditions: A systematic review. International Journal of Medical Informatics, 214,
106404. https://doi.org/10.1016/j.ijmedinf.2026.106404
Shamanna, P., Joshi, S. J., et al. (2024). Digital Twin in Managing Hypertension Among People With Type 2 Diabetes: 1-Year Randomized Controlled Trial. JACC: Advances, 3, 101172. https://doi.org/10.1016/j.jacadv.2024.101172
Shen, M.-D., Chen, S.-B., & Ding, X.-D. (2024). The effectiveness of digital twins in promoting precision health across the entire population: A systematic review. npj Digital Medicine, 7, 145. https://doi.org/10.1038/s41746-024-01146-0
Tudor, B. H., Shargo, R., Gray, G. M., et al. (2025). A scoping review of human digital twins in healthcare applications and usage patterns. npj Digital Medicine, 8, 587. https://doi.org/10.1038/s41746-025-01910-w
Vallée, A. (2026). From prediction to intervention: Causal digital twins for personalized clinical decision support. Journal of Translational Medicine, 24, 441. https://doi.org/10.1186/s12967-026-07895-8
Wang, J., Faruqui, S. H. A., Alaeddini, A., et al. (2026). Human-in-the-loop AI predictive digital twin to extend virtual precision diabetes care between visits. npj Health Systems, 3, 59. https://doi.org/10.1038/s44401-026-00118-8
L’environnement est-il supérieur à l’individu pour changer les comportements de santé ?
IA et risque cardiovasculaire : mieux prédire permet-il vraiment de mieux prévenir ?
