Économie des données de santé

Pourquoi cela compte en économie de la santé

Chaque rencontre qu'un système de santé enregistre — chaque ordonnance, image, résultat de laboratoire, et admission — crée des données deux fois : une fois comme le dossier de travail des soins d'un individu, et de nouveau comme un intrant potentiel pour quelque chose de plus grand. Combinés et analysés, les mêmes dossiers peuvent répondre à des questions qu'aucun essai ne financera jamais : quels traitements fonctionnent dans des populations réelles, où se cachent les signaux de sécurité, quels services échouent envers quelles communautés, comment une pandémie se déplace. Les systèmes de santé siègent sur des décennies de cet actif, et la plupart d'entre eux réalisent une petite fraction de sa valeur — non parce que la science manque, mais parce que les données sont fragmentées à travers des systèmes incompatibles, de qualité inégale, verrouillées derrière des processus d'accès mesurés en années, ou gardées par des institutions sans incitation à partager.

Le gaspillage est quantifiable en nature sinon toujours en chiffre : recherche non faite, collecte de données dupliquée, décisions prises sur l'intuition là où une preuve existait mais ne pouvait être assemblée, et des analystes — parmi le personnel le plus rare du système — passant la majeure partie de leur temps à trouver, nettoyer, et réconcilier les données plutôt qu'à les analyser. Pendant ce temps l'actif se dégrade : des données non conservées sont des données qui se déprécient, à mesure que les significations dérivent, que la documentation se perd, et que le personnel qui comprenait un jeu de données passe à autre chose.

Contre la valeur se dresse un vrai passif. Les données de santé sont parmi les informations les plus sensibles qui existent sur une personne, et leur mauvais usage — une brèche, une vente qui surprend le public, un usage qui ressemble à une trahison — porte des coûts bien au-delà de toute amende : il dépense la confiance publique dont dépend chaque usage futur. Le programme care.data d'Angleterre (abandonné en 2016) reste la leçon canonique : un plan techniquement raisonnable de mutualiser les dossiers de médecine générale pour la recherche et la planification s'est effondré face à la préoccupation publique et professionnelle sur le consentement et l'accès commercial, et son échec a retardé l'usage légitime des données pendant des années. Pour un dirigeant, c'est l'arbitrage déterminant du sujet : la valeur des données de santé est débloquée par l'accès, et la licence pour l'accès est la confiance — aussi l'économie des données est-elle inséparable de la gouvernance des données.

Concepts fondamentaux

Les données de santé sont économiquement particulières. Elles sont non rivales — l'usage d'une équipe ne les consomme pas, aussi le même jeu de données peut-il servir un nombre illimité d'utilisateurs à coût marginal quasi nul — ce qui les fait se comporter comme un bien public à l'intérieur de leur frontière d'accès et signifie que le sous-usage est du pur gaspillage. Mais leurs coûts fixes sont lourds et continus : collecte, conservation, standardisation, documentation, et intendance doivent être payés qu'une étude utilise les données ou que mille le fassent. Et leur valeur est combinatoire — les dossiers gagnent en valeur quand liés à travers contextes et temps, ce qui est précisément ce que la fragmentation entre institutions et fournisseurs empêche. L'usage secondaire — analyser des données recueillies pour le soin afin de servir la recherche, la planification, et l'amélioration — est là où réside la plus grande partie de la valeur non réalisée.

L'architecture qui détient les données incarne une stratégie économique. L'entrepôt de données est le modèle classique : les données des systèmes sources sont nettoyées, standardisées, et chargées dans un dépôt central construit pour l'analyse — coût de conservation élevé en amont, utilisabilité élevée après. Le lac de données inverse le marché : des données brutes de toute forme sont stockées bon marché maintenant et interprétées plus tard — ce qui diffère le coût de conservation mais ne le retire pas, et un lac sans intendance devient le marécage proverbial, où les données sont techniquement présentes et pratiquement inutilisables. Le maillage de données (data mesh) est la stratégie la plus récente, et elle est organisationnelle plutôt que technologique : au lieu qu'une équipe centrale possède toutes les données, chaque domaine — le laboratoire, le service d'urgence, le service de santé mentale — possède et publie ses données comme un produit, selon des normes communes, l'équipe plateforme fournissant l'infrastructure partagée et la gouvernance étant fédérée. Sa logique économique est que les personnes qui génèrent les données détiennent le contexte nécessaire pour les rendre significatives, et une équipe centrale est un goulot d'étranglement qui s'échelonne mal ; son risque économique est qu'il exige que chaque domaine finance et dote de personnel l'intendance des données — un coût réel et distribué qu'un modèle central rend au moins visible à un seul endroit.

Aucune architecture ne bat de mauvais intrants. La qualité des données — complétude, précision, opportunité, cohérence — est une quantité économique : des données de mauvaise qualité taxent chaque usage en aval, et la taxe compose, puisque les analystes renettoient les mêmes défauts étude après étude. La qualité est faite au point de soin, où le clinicien codant un diagnostic a de faibles incitations à servir un futur analyste, aussi l'améliorer est-il un problème de conception d'incitation autant que technique (la machinerie de mesure générale est le Sujet 2.3 — Économétrie de la santé, qui détient ce que les mauvaises données font aux affirmations causales).

L'accès est là où la valeur est réalisée ou perdue, et l'accès a sa propre structure de coût. Parce que le coût marginal d'usage est quasi nul, la politique efficiente est un accès large à faible friction — mais chaque accès porte un risque de confidentialité, aussi les systèmes imposent-ils une gouvernance : processus d'approbation, dé-identification (retirer ou masquer les identifiants, toujours un spectre de risque résiduel de réidentification plutôt qu'un binaire), et de plus en plus le modèle d'environnement de recherche de confiance, dans lequel les analystes viennent aux données à l'intérieur d'une enclave sécurisée et seuls les résultats vérifiés sortent — remplaçant l'habitude plus risquée d'expédier des copies de jeux de données vers l'extérieur. Des techniques telles que la confidentialité différentielle (ajouter du bruit statistique calibré afin que la présence d'aucun individu ne puisse être inférée) et l'apprentissage fédéré (entraîner des modèles à travers des jeux de données distribués sans mutualiser les dossiers) déplacent vers l'extérieur la frontière confidentialité-utilité. Le point économique est que la friction d'accès est un vrai prix : un processus d'approbation de deux ans rationne les données non par la valeur de l'usage mais par l'endurance des demandeurs, et les études qu'il dissuade sont un coût invisible qu'aucun registre n'enregistre.

Les règles autour de tout cela sont la gouvernance des données : qui peut utiliser quelles données à quelles fins, décidé comment, et redevable envers qui. La réglementation fixe le plancher — le Règlement général sur la protection des données (RGPD) en Europe, des règles sectorielles telles que le HIPAA des États-Unis ailleurs — et de nouvelles structures se construisent au-dessus : l'Espace européen des données de santé (règlement adopté en 2025) crée un cadre juridique pour l'usage tant primaire que secondaire des données de santé à travers l'Union européenne, et des organismes nationaux d'accès tels que Findata en Finlande montrent à quoi ressemble une porte d'entrée unique pour les permis et l'accès sécurisé en pratique. Les principes des données FAIR — repérables, accessibles, interopérables, réutilisables — résument la norme d'intendance qui fait fonctionner tout cela. La plomberie qui déplace les données — les normes d'interopérabilité telles que HL7 FHIR — relève du Sujet 5.4 — Économie de l'ingénierie logicielle en santé ; les modèles entraînés sur les données du Sujet 5.3 — Économie de l'IA en santé ; et les dynamiques de confiance publique de l'économie de communication du Sujet 4.4 — Économie des médias sociaux et de la communication en santé.

Bonnes pratiques

1. Traiter les données comme un actif avec un propriétaire, un budget, et un calendrier d'amortissement. Inventoriez les actifs de données significatifs que vous détenez, nommez un intendant pour chacun, et financez la conservation et la documentation comme des coûts permanents — non comme un résidu de projets. Un jeu de données sans intendant est un jeu de données qui se déprécie, et le moment le moins cher pour capturer le contexte est pendant que les personnes qui ont créé les données s'en souviennent encore.

2. Choisir l'architecture selon la forme organisationnelle, non la mode. Centralisez (entrepôt ou lac gouverné) quand les besoins analytiques sont partagés, les domaines sont faibles en capacité de données, et une équipe peut tenir le contexte ; fédérez vers un maillage quand les domaines sont forts, les besoins sont divers, et l'équipe centrale est devenue la file où tout le monde attend. Dans tous les cas, le coût de conservation est conservé — le choix est qui le paie et où se situe le goulot d'étranglement. Migrer l'architecture est coûteux ; faites-le pour un échec économique nommé (un goulot d'étranglement, un marécage), non un exposé de conférence.

3. Ne jamais construire un lac sans budget d'intendance. Le stockage bon marché rend facile de différer la conservation indéfiniment ; la conservation différée est comment les lacs deviennent des marécages où chaque usage commence par de l'archéologie brute. Financez le catalogage, les métadonnées, et la surveillance de qualité comme partie de la plateforme, et mesurez le lac par les données réellement utilisées, non les téraoctets détenus.

4. Si vous adoptez les principes de maillage, financer les domaines pour être éditeurs. Les données comme produit signifient que chaque domaine doit doter de personnel et payer pour l'intendance de ce qu'il publie — un vrai coût que les modèles centraux concentrent et que les modèles de maillage distribuent. Fixez des normes communes centralement (identifiants, métadonnées, seuils de qualité, règles d'accès), financez explicitement les rôles de données de domaine, et acceptez qu'un maillage sans propriété de domaine financée n'est que de la fragmentation avec une meilleure image de marque.

5. Corriger la qualité des données à la source, avec des incitations, non de l'exhortation. Le nettoyage en aval repaie la même taxe pour toujours ; les corrections en amont paient une fois. Rendez la qualité visible là où elle est créée (rétroaction au clinicien ou employé de bureau qui code), rendez-la importante (paiement et audit sensibles à la qualité où approprié), et concevez formulaires et systèmes afin que le chemin facile soit le précis — c'est de l'architecture de choix appliquée à la documentation (voir Sujet 4.1 — Économie comportementale).

6. Tarifer la friction d'accès comme un coût, et la réduire délibérément. Mesurez le parcours complet qu'un analyste légitime rencontre — découverte, permis, extraction ou entrée d'enclave — en mois et heures de personnel, et traitez les réductions comme de la création de valeur. Une porte d'entrée unique (une candidature, un décideur, des calendriers publiés, des contrats standard) est la réforme au rendement le plus élevé ; le modèle Findata de Finlande est le patron de référence.

7. Recourir par défaut aux analystes visitant les données, non les données visitant les analystes. Les environnements de recherche de confiance — enclaves sécurisées avec sortie vérifiée — dominent l'expédition de jeux de données à la fois sur le risque et l'auditabilité, et ils rendent l'accès large compatible avec un contrôle fort. Réservez les extractions aux cas que les enclaves ne peuvent véritablement pas servir, et traitez chaque jeu de données copié dans la nature comme un passif permanent.

8. Associer la technique de confidentialité à l'usage, et être honnête sur le risque résiduel. La dé-identification est un spectre, non un interrupteur ; la confidentialité différentielle achète des garanties mathématiques à un prix d'utilité ; l'apprentissage fédéré évite la mutualisation mais non toute fuite. Choisissez par cas d'usage, documentez honnêtement le risque résiduel, et ne commercialisez jamais « anonymisé » comme « sans risque » — la surenchère est comment la confiance se perd quand l'exception inévitable fait surface.

9. Gagner la licence sociale avant d'en avoir besoin. La tolérance du public pour l'usage des données est spécifique : forte pour le soin et la recherche à bénéfice public, fragile pour l'accès commercial et tout ce qui surprend. Soyez transparent sur qui utilise les données pour quoi (publiez le registre), impliquez patients et public dans la politique d'accès, offrez un choix authentique là où la loi et le cas d'usage le permettent, et rappelez-vous care.data : les processus de consentement sont moins chers que les effondrements.

10. Fixer les termes de l'accès commercial en public, à l'avance. L'usage industriel des données de santé peut être légitime et précieux — essais, surveillance de sécurité, développement de produit — et c'est aussi là où la confiance est la plus inflammable. Décidez ouvertement quels usages commerciaux sont permis, ce que le système public facture ou reçoit (argent, capacité, accès garanti aux produits résultants), et ce qui est hors table, avant l'accord, non après le gros titre.

11. Facturer l'accès sur le coût marginal plus l'intendance, non une rente de monopole. Un détenteur public de données qui tarife l'accès pour maximiser le revenu rationne un actif à coût marginal quasi nul et perd de la valeur publique ; un qui ne facture rien affame l'intendance. La tarification de recouvrement des coûts avec exemptions pour la recherche d'intérêt public finance l'actif sans étrangler son usage.

12. Compter la valeur que vous créez, car personne d'autre ne le fera. Les programmes de données sont perpétuellement vulnérables au moment du budget pour la même raison que la communication : leur produit est les résultats d'autres personnes. Suivez et publiez ce que l'accès a permis — études, changements de service, constats de sécurité, collecte dupliquée évitée — et faites passer le portefeuille par le même examen de valeur que tout investissement (Sujet 2.1 — Évaluation économique), afin que le dossier de l'actif soit de la preuve plutôt qu'une affirmation.

Questions à discuter avec votre équipe

1. Quelles données détenons-nous réellement, qui gère chaque actif, et que nous coûte-t-il de le garder utilisable — ou de le laisser pourrir ? La plupart des organisations ne peuvent produire l'inventaire : les jeux de données s'accumulent dans des systèmes, projets, et disques partagés, avec l'intendance assignée à personne et la documentation vivant dans la mémoire d'employés partis. Construisez le registre — les actifs significatifs, leurs propriétaires, leur qualité, leur documentation, leur usage — et attachez le coût permanent d'une conservation appropriée à chacun, aux côtés de la dépréciation maintenant en cours là où il n'y en a pas. La tension est que l'intendance est un coût permanent peu glamour avec des bénéfices diffus, exactement la ligne que chaque ronde budgétaire veut couper, tandis que les pertes des données non gérées (recollecte, historique inutilisable, analystes comme archéologues) n'apparaissent jamais sur aucun registre. Une réponse honnête produit l'inventaire avec des intendants nommés, finance la conservation comme de l'infrastructure plutôt qu'un résidu de projet, et admet quels actifs se sont dégradés au-delà du sauvetage.

2. Où va réellement le temps d'un analyste — et notre architecture en est-elle la raison ? La ressource la plus rare du système de données est le travail analytique qualifié, et dans la plupart des organisations de santé la majorité en est dépensée à trouver, accéder, nettoyer, et réconcilier les données plutôt qu'à les analyser. Mesurez honnêtement la répartition pour quelques projets récents, puis retracez les causes : sources fragmentées, documentation absente, défauts de qualité renettoyés pour la centième fois, une équipe de données centrale devenue une file d'attente. C'est le diagnostic qui devrait piloter l'architecture — entrepôt, lac, ou maillage — car chacun est une réponse différente à où se situe le goulot d'étranglement et qui détient le contexte. La tension est que les débats d'architecture sont menés dans le vocabulaire des fournisseurs et réglés par la mode, alors que la vraie question est organisationnelle : qui possède quelles données, qui paie pour leur conservation, et où se forme la file. Une réponse honnête énonce la répartition actuelle du temps d'analyste, nomme le goulot d'étranglement contraignant, et choisit l'architecture comme un remède pour ce goulot d'étranglement — avec le coût de la migration justifié par le travail qu'elle libère.

3. Combien de temps faut-il à un utilisateur légitime pour passer de la question aux données, et que coûte ce délai ? Parcourez le trajet complet concrètement — un chercheur, un planificateur de service, une équipe qualité — à travers découverte, candidature, approbation, contractualisation, et accès, et comptez les mois et les heures de personnel des deux côtés. Puis demandez ce qui ne se produit jamais à cause de cela : les études non tentées, les décisions prises sans preuve, les analystes qui contournent le système ou partent. La tension est réelle des deux côtés — chaque assouplissement de friction est une décision de gouvernance avec un risque attaché, et chaque couche de processus a été ajoutée après un incident — mais la friction rationne par l'endurance, non par la valeur d'usage, et ses coûts sont invisibles tandis que ses protections sont auditables. Une réponse honnête mesure le temps de bout en bout, sépare le délai qui achète une véritable protection du délai qui est mise en file et duplication, fixe une cible publiée, et construit la porte d'entrée unique qui rend la cible atteignable.

4. Quelle est notre qualité de données là où elle est faite, et quelle incitation quiconque a-t-il à l'améliorer ? Les problèmes de qualité découverts en analyse ont été créés des mois plus tôt à un clavier dans une clinique, par quelqu'un dont le travail ce jour-là était le soin, non le codage. Examinez vos jeux de données clés pour la complétude et la précision, puis suivez les défauts en amont : le clinicien ou l'employé de bureau qui enregistre les données voit-il jamais leur usage en aval, reçoit-il une rétroaction sur leur qualité, ou gagne-t-il quoi que ce soit à l'améliorer ? Le système fait-il de l'enregistrement précis le chemin facile ou l'héroïque ? La tension est que la pression d'amélioration de qualité retombe sur les personnes les plus occupées du système et peut se retourner en contournement si liée grossièrement au paiement (les pathologies de mesure du Sujet 3.11 — Économie de la qualité et de la sécurité s'appliquent carrément). Une réponse honnête mesure la qualité à la source, ferme la boucle de rétroaction afin que les créateurs de données voient ce que leurs données deviennent, reconçoit le chemin de capture avant de blâmer les personnes dessus, et réserve les incitations de paiement à ce que l'audit peut réellement vérifier.

5. Qui nos usages de données surprendraient-ils, et à quoi sert réellement notre licence sociale ? L'effondrement de care.data n'a pas été causé par un traitement illégal ; il a été causé par des usages dont le public n'avait pas été informé en des termes qu'il aurait acceptés, découverts de la pire façon possible. Inventoriez vos usages de données actuels et prévus — analytique interne, accès de recherche, tout arrangement commercial — et testez chacun contre la norme de surprise : si cela apparaissait en une demain, les patients se sentiraient-ils informés ou trahis ? Sondez les spécificités que l'histoire dit inflammables : termes d'accès commercial, données quittant votre garde, usages qui ressemblent à de la surveillance ou du profilage des communautés mêmes dont la confiance est la plus mince. La tension est que la pleine transparence semble risquée pour des programmes qui ont grandi discrètement, et l'implication publique prend du temps que les calendriers de livraison ressentent — mais l'alternative est d'emprunter contre une licence que vous ne détenez peut-être pas, aux taux d'intérêt de care.data. Une réponse honnête publie le registre d'usage, implique patients et public dans la politique d'accès avant que le cas controversé n'arrive, fixe les termes commerciaux en public, et traite la licence comme un actif mesuré avec une trajectoire, non une hypothèse.

6. Sommes-nous configurés pour prouver la valeur de ce programme, ou demandons-nous au budget de la prendre sur la foi ? Les plateformes de données, équipes d'intendance, et services d'accès produisent leur valeur dans les résultats d'autres personnes, ce qui explique pourquoi ils sont perpétuellement les premiers au mur dans une ronde d'économies — les coûts sont concentrés et visibles, les bénéfices diffus et crédités ailleurs. Demandez ce que vous enregistrez actuellement sur ce que l'accès a permis : études complétées, changements de service faits, signaux de sécurité trouvés, collectes non dupliquées, heures d'analyste économisées par une conservation faite une fois plutôt que de nombreuses fois. Puis posez la question de portefeuille plus difficile : lesquels de vos investissements de données rapportent, lesquels sont spéculatifs, et lesquels sont des monuments. La tension est que l'attribution est véritablement difficile — les données sont un intrant parmi de nombreux pour tout résultat — et la surenchère corrode la crédibilité aussi sûrement que le silence l'affame. Une réponse honnête construit le suivi de résultat dans le processus d'accès lui-même, publie un compte annuel de valeur réalisée avec les réserves d'attribution énoncées clairement, et est disposée à retirer le composant de plateforme ou le jeu de données dont l'usage ne s'est jamais matérialisé.

En pratique : un exemple d'économie de la santé

L'autorité nationale de données de santé d'un pays nordique fictif est créée pour résoudre un paradoxe : le pays a des décennies de dossiers de santé riches et liables — un identifiant national, une couverture universelle, des registres numérisés — et pourtant les chercheurs attendent couramment deux ans pour l'accès, chacune des vingt régions répond différemment aux demandes de permis, et deux régions ont commencé à construire leurs propres « lacs de données » concurrents sans plan d'intendance. Une entreprise pharmaceutique a récemment abandonné une étude de sécurité post-commercialisation car les permis ne pouvaient être assemblés ; une équipe universitaire a porté une subvention vers un pays voisin à la place. La valeur est démontrablement là ; le système la perd.

Les économistes de l'autorité commencent par mesurer la friction comme un coût. Ils retracent douze tentatives d'accès récentes de bout en bout — découverte, candidature, vingt décisions régionales séparées, contractualisation, extraction — et chiffrent le trajet en mois (médiane vingt-six) et heures de personnel de tous côtés, puis listent ce qui a été abandonné en cours de route. Présentée ainsi, la réforme d'accès cesse d'être une commodité administrative et devient un dossier d'investissement : la porte d'entrée unique — une candidature, un décideur légal, des calendriers publiés — est projetée pour libérer plus de valeur de recherche par couronne que tout nouveau jeu de données que le pays pourrait acheter. La conception emprunte délibérément à Findata de Finlande : une autorité nationale de permis plus un environnement de recherche de confiance, afin que les analystes viennent aux données et que les résultats vérifiés sortent, remplaçant les extractions expédiées qui reposent actuellement non auditées sur des serveurs universitaires.

La décision d'architecture est traitée comme une question d'économie organisationnelle, non un achat de technologie. Un entrepôt national entièrement central est rejeté : les régions détiennent le contexte clinique, et une seule équipe nationale deviendrait le nouveau goulot d'étranglement. L'autonomie régionale pure est aussi rejetée : vingt lacs avec vingt normes de métadonnées sont le marécage, vingt fois. L'autorité se pose sur les principes de maillage sous gouvernance fédérée — chaque région et registre publie ses données comme un produit, selon des normes nationales pour les identifiants, les métadonnées, le rapport de qualité, et l'accès — avec la plateforme nationale fournissant l'enclave partagée, le catalogue, et le service de permis. Le coût honnête de ce choix est rendu explicite : chaque région doit financer des rôles d'intendant de données, et le budget de l'autorité inclut un financement transitoire pour rendre la propriété de domaine réelle plutôt que nominale, car un maillage que personne ne dote de personnel n'est que de la fragmentation avec une meilleure image de marque.

La confiance est conçue aussi délibérément que la plateforme. L'autorité étudie explicitement l'échec de care.data et fait l'inverse : le registre complet des usages de données est public dès le premier jour ; un panel de citoyens siège à l'intérieur du processus de politique d'accès avec des dents, non des jetons ; l'accès commercial est permis sous des termes fixés en public à l'avance — facturation de recouvrement des coûts, accès enclave uniquement, résumés publiés de chaque usage approuvé, et une part de valeur retournant au système en capacité et accès garanti à la recherche. Quand un tabloïd publie une histoire « vos dossiers à vendre » en année deux, le programme y survit — non parce que l'histoire est gentille, mais parce que chaque fait qu'elle allègue est déjà sur le site web de l'autorité, avec les termes attachés ; la transparence préconstruite fait la réfutation (l'économie de communication est le Sujet 4.4 — Économie des médias sociaux et de la communication en santé).

Trois ans plus tard, l'autorité publie sa comptabilité : temps médian de la candidature à l'accès enclave passé de vingt-six mois à quatre ; études permises, analyses de service livrées, et un véritable signal de sécurité trouvé et traité ; tableaux de bord de qualité de données régionaux bougeant car les cliniciens voient maintenant ce que leur codage devient. L'évaluation est franche sur les limites d'attribution et sur un échec — une région dont les « produits de données » restent non documentés et inutilisés, où le financement de domaine a été coupé — que l'autorité utilise pour argumenter, avec succès, que l'intendance est la facture d'entretien de l'actif, non un extra optionnel.

Quatre angles sectoriels

Jeune pousse

Une jeune pousse de données de santé — un produit analytique, un outil de conservation, une plateforme d'apprentissage fédéré — vit sur des données qu'elle ne possède pas, aussi ses questions existentielles sont-elles l'accès et la confiance : quelle base légitime elle a pour les données qui l'alimentent, comment elle passe à travers la gouvernance des détenteurs de données à un rythme survivable, et si un seul incident de confidentialité met fin à l'entreprise. La tentation est de traiter la gouvernance comme de la friction à contourner ; le jeu durable est l'inverse — construire pour les enclaves, l'auditabilité, et les techniques préservant la confidentialité dès le départ, car c'est ce que la gouvernance des acheteurs exigera, et être facile à approuver est un fossé défensif. Son risque de modèle d'affaires est l'ombre du courtier de données : des modèles qui revendent ou monétisent les données de santé de façons qui surprendraient les patients sont à un gros titre d'entraîner tout le secteur dans leur chute.

Petite entreprise

Un petit prestataire — un groupe de cliniques, une pharmacie, un opérateur de maison de retraite — est plus un créateur de données qu'un utilisateur de données : ses dossiers alimentent des registres nationaux, des jeux de données de payeurs, et de la recherche qu'il ne verra jamais. Son économie porte sur le fardeau et le retour : la qualité des données est faite ou défaite à ses claviers, pourtant il est rarement payé, remercié, ou nourri en retour pour la qualité qu'il crée, et chaque nouvelle exigence de rapport est du travail non financé. La posture sensée est de standardiser sans pitié (utiliser les codes et systèmes standard, résister aux extractions sur mesure), d'exiger des boucles de rétroaction et une réduction de fardeau en échange du rapport — un échange équitable que le système plus large devrait être gêné de refuser — et de traiter ses propres données modestes comme un actif opérationnel pour la planification, le stock, et la qualité plutôt que d'attendre l'arrivée d'une plateforme.

Entreprise

Un grand groupe de prestataires ou assureur détient des données à l'échelle où l'économie de l'actif devient réelle : des dossiers longitudinaux à travers des millions de vies, assez de volume pour une analytique crédible, et assez d'incidents pour connaître aussi le côté passif. L'entreprise mature fait fonctionner les données comme un portefeuille gouverné — un inventaire avec des intendants, une plateforme financée avec un processus d'accès publié pour ses propres équipes, la qualité gérée à la source, et l'architecture choisie pour sa forme organisationnelle plutôt que son calendrier de conférences. Ses tentations distinctives sont la thésaurisation (garder les données contre le système qu'elle sert, perdant la valeur combinatoire) et la monétisation discrète (accords commerciaux que les patients découvrent par les journalistes). La discipline distinctive est de traiter la friction d'accès interne aussi sérieusement que l'externe : un assureur dont les propres actuaires attendent des mois pour les données a construit un goulot d'étranglement, non une fonction de gouvernance.

Gouvernement

Un ministère ou une agence nationale possède la couche que personne d'autre ne peut : les identifiants et normes qui rendent la liaison possible, le cadre juridique pour l'usage secondaire, les institutions nationales d'accès, et les termes selon lesquels l'actif de données du pays sert la recherche et l'industrie. Les patrons de référence existent maintenant — Findata de Finlande pour la porte d'entrée unique, les environnements de recherche de confiance pour l'accès, l'Espace européen des données de santé pour l'échafaudage juridique transfrontalier — et l'art gouvernemental est le séquençage : normes et financement d'intendance avant les plateformes, implication publique avant la controverse, transparence avant que le tabloïd ne trouve l'histoire. Le gouvernement porte aussi les modes d'échec à l'échelle nationale : care.data montre ce que coûte un effondrement de confiance, et une décennie de registres sous-financés montre ce que coûte la négligence d'intendance. Le devoir est de traiter l'actif de données national comme de l'infrastructure — financé, gouverné, et comptabilisé comme des routes — car aucun acteur de marché ne fournira sa couche de bien public (la machinerie politique est le Sujet 3.2 — Politique de santé).

Erreurs courantes

• Le marécage. Construire un lac car le stockage est bon marché et différer la conservation indéfiniment, jusqu'à ce que rien à l'intérieur ne puisse être fait confiance ou trouvé. Remède : aucune plateforme sans plan d'intendance et de catalogue financé ; mesurer l'usage, non les téraoctets.

• Le goulot d'étranglement reconstruit. Centraliser tout le travail de données dans une équipe qui devient une file, ou décentraliser dans un « maillage » qu'aucun domaine n'est financé pour doter de personnel. Remède : choisir l'architecture selon où se situent réellement le contexte et la capacité, et financer le modèle choisi.

• La friction comme fausse sécurité. Des processus d'accès pluriannuels qui rationnent par l'endurance tout en expédiant des extractions non auditées sur demande. Remède : porte d'entrée unique, calendriers publiés, accès basé sur enclave avec sortie vérifiée.

• La qualité blâmée en aval. Nettoyer les mêmes défauts dans chaque étude tandis que le point de création n'en entend jamais parler. Remède : boucles de rétroaction vers les créateurs de données, chemins de capture reconçus, incitations alignées avec ce que l'audit peut vérifier.

• L'anonymisation survendue. Commercialiser des données dé-identifiées comme sans risque jusqu'à ce qu'une histoire de réidentification éclate. Remède : traiter la dé-identification comme un spectre, documenter le risque résiduel, et associer la technique à l'usage.

• Le gros titre surprise. Des usages de données — surtout commerciaux — dont le public apprend d'abord par les journalistes. Remède : publier le registre d'usage, fixer les termes commerciaux en public à l'avance, impliquer les patients dans la politique d'accès.

• Valeur non comptabilisée. Une plateforme qui ne peut dire ce que son accès a permis, sans défense au moment du budget. Remède : suivre études, décisions, et économies permises par l'accès comme partie du processus d'accès lui-même.

• La thésaurisation. Des institutions gardant les données comme pouvoir de négociation tandis que la valeur combinatoire de la liaison est perdue à l'échelle du système. Remède : faire du partage le défaut financé et standardisé et de la thésaurisation la position qui doit se justifier.

Modèle de maturité

Liste de vérification

• Maintenir un inventaire des actifs de données significatifs, chacun avec un intendant nommé et un plan de conservation financé.
• Choisir entrepôt, lac, ou maillage selon où se situent réellement le contexte, la capacité, et les goulots d'étranglement — et financer le modèle choisi.
• Ne jamais commander une plateforme de données sans budget d'intendance, de catalogue, et de métadonnées.
• Mesurer la qualité des données au point de création et fermer la boucle de rétroaction vers les personnes qui les créent.
• Mesurer le temps d'accès de bout en bout comme un coût, publier des cibles, et construire une porte d'entrée unique pour les demandes.
• Recourir par défaut aux environnements de recherche de confiance avec sortie vérifiée ; traiter les extractions expédiées comme des exceptions et des passifs.
• Associer la technique de confidentialité (dé-identification, confidentialité différentielle, approches fédérées) à chaque usage et documenter honnêtement le risque résiduel.
• Publier le registre des usages de données et impliquer patients et public dans la politique d'accès.
• Fixer les termes d'accès commercial ouvertement et à l'avance, y compris la facturation et le retour du système public.
• Tarifer l'accès au recouvrement des coûts avec exemptions d'intérêt public, ni rente de monopole ni gratuit.
• Suivre et publier la valeur que l'accès permet — études, décisions, constats de sécurité, duplication évitée.
• Appliquer les principes FAIR (repérable, accessible, interopérable, réutilisable) comme la norme d'intendance pour chaque jeu de données publié.

Sources clés

• OECD — Recommendation on Health Data Governance (2016), the intergovernmental baseline for national health-data frameworks.
• European Union — European Health Data Space regulation, the emerging legal scaffolding for primary and secondary use across member states.
• Findata (Finland) — the national health and social data permit authority, the reference implementation of a single front door with secure access.
• Health Data Research UK — national institute for health-data science, including work on trusted research environments and data access.
• FAIR principles (Wilkinson et al., 2016) — the findable–accessible–interoperable–reusable standard for data stewardship.
• The care.data programme and its published post-mortems — the canonical case study in losing the social licence for health-data use.

Références

1. Health data — Wikipedia — https://en.wikipedia.org/wiki/Health_data
2. Secondary data — Wikipedia — https://en.wikipedia.org/wiki/Secondary_data
3. Data warehouse — Wikipedia — https://en.wikipedia.org/wiki/Data_warehouse
4. Data lake — Wikipedia — https://en.wikipedia.org/wiki/Data_lake
5. Data mesh — Wikipedia — https://en.wikipedia.org/wiki/Data_mesh
6. Data quality — Wikipedia — https://en.wikipedia.org/wiki/Data_quality
7. Data governance — Wikipedia — https://en.wikipedia.org/wiki/Data_governance
8. De-identification — Wikipedia — https://en.wikipedia.org/wiki/De-identification
9. Differential privacy — Wikipedia — https://en.wikipedia.org/wiki/Differential_privacy
10. Federated learning — Wikipedia — https://en.wikipedia.org/wiki/Federated_learning
11. General Data Protection Regulation — Wikipedia — https://en.wikipedia.org/wiki/General_Data_Protection_Regulation
12. European Health Data Space — Wikipedia — https://en.wikipedia.org/wiki/European_Health_Data_Space
13. FAIR data — Wikipedia — https://en.wikipedia.org/wiki/FAIR_data
14. Care.data — Wikipedia — https://en.wikipedia.org/wiki/Care.data
15. Findata — Finnish Social and Health Data Permit Authority — https://findata.fi/en/
16. Health Data Research UK — https://www.hdruk.ac.uk/