Progressivement l’intelligence artificielle se déploie au sein des établissements hospitaliers à tous les niveaux. Illustration des impacts au niveau des pharmacies hospitalières concernant la gestion des stocks. Décryptage.
L’évolution des Pharmacies à Usage Intérieur (PUI) vers un modèle de gestion piloté par la donnée représente l’un des chantiers les plus structurants de l’hôpital moderne. L’Intelligence Artificielle n’y est plus une simple abstraction informatique, mais un outil de performance capable de concilier la sécurité des soins avec les impératifs de rigueur budgétaire.
Les PUI ont appris à piloter leurs stocks comme on pilote une situation de crise. Tensions d’approvisionnement récurrentes, rotations de produits imprévisibles, hausse des coûts, exigences de traçabilité toujours plus fines : le stock n’est plus seulement un enjeu logistique, il est devenu un déterminant direct de la continuité des soins. Dans le Code de la santé publique, la PUI a justement pour missions d’assurer la gestion, l’approvisionnement, la détention et la dispensation des produits de santé (1).
Dans ce contexte, l’IA et le big data reviennent dans les discussions, non pas comme un “gadget” technologique, mais comme un levier concret : anticiper la demande, réduire les ruptures, limiter les surstocks, éviter les péremptions, et arbitrer plus vite quand l’offre se tend. La question n’est plus de savoir si ces approches “fonctionnent” dans l’absolu, mais dans quelles conditions elles créent réellement de la sécurité et de la valeur… sans ajouter une couche de complexité non maîtrisée.
Pourquoi la gestion des stocks est devenue un sujet stratégique
La gestion des stocks hospitaliers est désormais rythmée par les signaux faibles de la pénurie. L’ANSM pilote depuis 2023 un “plan hivernal” pour anticiper les tensions saisonnières sur des médicaments majeurs (antibiotiques, antipyrétiques, corticoïdes, traitements de l’asthme), avec l’objectif affiché de garantir l’accès sur tout le territoire.
Or, une tension n’est jamais qu’un problème de disponibilité “macro”. Dans un établissement, elle se traduit surtout par une micro-désorganisation : substitutions en cascade, réaffectations de lots, reparamétrages, sur-sollicitations des équipes, et, parfois, renoncements thérapeutiques temporaires. C’est précisément là que l’IA peut apporter un avantage : transformer des données internes et externes en décisions opérationnelles, plus tôt et plus finement.
Traditionnellement, les PUI dimensionnent des stocks de sécurité à partir de consommations historiques, de seuils et de règles parfois hétérogènes selon les familles de produits. L’approche “IA + big data” vise un autre modèle : prévoir la demande future, produit par produit, en intégrant la saisonnalité, les tendances d’activité, les délais fournisseurs, les changements de protocoles, la chirurgie programmée, ou encore la pression épidémique.
En pratique, cela se traduit par des algorithmes qui proposent des points de commande et des quantités optimisées, ajustés en continu. Ce type de logique est d’autant plus pertinent à l’hôpital que les profils de consommation peuvent changer brutalement (pics saisonniers, vagues infectieuses, montée en charge d’un service), tandis que les délais d’approvisionnement peuvent varier sans préavis.
La donnée carburant de l’IA
L’efficacité d’un modèle dépend moins de sa “sophistication” que de la qualité des données d’entrée. Pour une PUI, les gisements sont multiples : historiques d’entrées/sorties, consommations par unité de soins, retours et destructions, dates de péremption, délais réels de livraison, taux de rupture par fournisseur, substitutions, mais aussi données d’activité hospitalière (occupation, passages aux urgences, programmation opératoire), et alertes externes (tensions publiées, restrictions, recommandations).
Mais ces données n’ont de valeur que si elles sont correctement identifiées et traçables. La traçabilité hospitalière s’appuie de plus en plus sur des standards d’identification (produits, lieux, acteurs), notamment via des référentiels et pratiques pour sécuriser les flux d’informations à l’hôpital
Pour les dispositifs médicaux, l’exigence de traçabilité s’inscrit aussi dans le cadre réglementaire européen, avec des attendus liés à l’identification unique (UDI) et à la capacité de suivi sur le cycle de vie, ce que rappellent des guides et ressources dédiés à la traçabilité sanitaire. Autrement dit, avant de “faire de l’IA”, il faut d’abord être sûr de savoir ce que l’on compte, ce que l’on trace, et ce que l’on compare.
Dans de nombreux établissements, la gestion des stocks est intimement liée aux logiciels de dispensation, de traçabilité, de préparation et de distribution. En France, la HAS encadre la certification des logiciels d’aide à la dispensation (LAD) utilisés en PUI, avec un référentiel dédié (2).
Même si un moteur de prévision peut être “extérieur” au LAD, il finit presque toujours par s’y connecter : pour récupérer les données, pousser des recommandations, déclencher des workflows d’approvisionnement, ou tracer les décisions. La conséquence est simple : l’innovation doit se penser en architecture, avec des interfaces propres, des journaux d’audit, et une capacité à démontrer que l’outil n’altère pas la sécurité du circuit, mais la renforce.
Trois cas d’usage concrets en PUI
Le premier cas d’usage est la prévision fine des consommations, pour réduire simultanément les ruptures et les surstocks. Les modèles s’attaquent particulièrement bien aux produits à forte variabilité, aux classes saisonnières, et aux médicaments dont le surstock entraîne des coûts élevés (immobilisation, pertes, tension de trésorerie).
Le deuxième cas d’usage est la réduction des péremptions grâce à des approches “FEFO augmentées” : l’algorithme ne se contente pas de sortir le lot le plus proche de la date, il anticipe si le lot sera consommé à temps en fonction de la demande projetée et propose des réallocations internes, ou des stratégies de commandes fractionnées.
Le troisième cas d’usage est l’anticipation des tensions. Ici, l’IA croise des données internes (délais réels, historique de rupture fournisseur, niveau de stock critique, substitution possible) et des signaux externes, notamment les communications et dispositifs de gestion mis en place par l’ANSM en période de risque.
Des risques à maîtriser
Le premier risque est le “garbage in, garbage out”. Une traçabilité imparfaite, des unités de mesure incohérentes, des sorties non qualifiées, ou des retours mal enregistrés peuvent produire des prévisions trompeuses, donc des décisions dangereuses.
Le deuxième risque est organisationnel. Une prévision n’est utile que si elle s’intègre au pilotage : qui arbitre quand l’algorithme recommande de réduire un stock “historique” ? Qui valide la substitution proposée ? Qui assume la décision quand la réalité contredit la courbe ?
Le troisième risque est réglementaire et éthique, car le big data, à l’hôpital, frôle vite la donnée de santé. Dès lors que les consommations sont reliées à des parcours de soins, à des diagnostics ou à des unités de prise en charge, le cadre RGPD devient central.
La ligne de crête est connue : optimiser, oui, mais sans construire des systèmes opaques, difficiles à auditer, ou reposant sur des jeux de données dont la légitimité et la sécurité ne sont pas démontrables.
La gouvernance est la clef
Un projet utile commence par des objectifs simples et mesurables : diminution des péremptions, réduction des ruptures sur une liste de médicaments critiques, baisse des surstocks sur certaines classes, amélioration du délai de réaction en cas de tension. Il se poursuit par un travail de normalisation des données et de traçabilité, en s’appuyant sur les standards et référentiels disponibles.
Enfin, il doit être conçu comme un outil d’aide à la décision, non comme une délégation de responsabilité. La littérature sur l’automatisation et les systèmes intelligents en pharmacie hospitalière montre que les gains existent, mais qu’ils dépendent fortement du cadre de déploiement, des processus, et de l’acceptabilité par les équipes
Au fond, l’IA dans la gestion des stocks ne remplace pas le métier : elle met en évidence sa dimension la plus stratégique. Dans un monde de pénuries possibles, le stock n’est plus une réserve ; c’est une promesse de soin. Et toute promesse, à l’hôpital, demande des preuves.
(1) Légifrance — Code de la santé publique, Chapitre VI : Pharmacies à usage intérieur (PUI) : https://www.legifrance.gouv.fr/codes/id/LEGISCTA000006171372
(2) HAS — Référentiel de certification des logiciels d’aide à la dispensation (LAD) de PUI (septembre 2022) : https://www.has-sante.fr/jcms/p_3372580/fr/referentiel-de-certification-des-lad-de-pui-septembre-2022