TweenMe

Positionnement

TweenMe part d'un constat simple : les outils de jumeau numérique et d'intelligence artificielle sont aujourd'hui inaccessibles à la majorité des professionnels qui en auraient le plus besoin. Non par manque de données — beaucoup disposent d'un patrimoine de données considérable et de questions de recherche précises — mais parce que ces outils supposent une maîtrise algorithmique que le médecin, le chercheur clinique, l'expert métier n'a pas et ne devrait pas avoir à acquérir.

TweenMe s'adresse au professionnel expert de son métier, néophyte en IA, qui a des questions de recherche et un patrimoine de données pouvant y répondre.

C'est un générateur universel de jumeaux numériques en mode Do It Yourself — conçu pour que l'expert métier reste aux commandes de sa question de recherche, de ses données et de ses résultats, sans intermédiaire algorithmique. La promesse est double : accessibilité (aucun prérequis en IA requis) et rapidité (quelques semaines de la donnée brute au jumeau numérique fiable, contre plusieurs mois avec les approches traditionnelles).

TweenMe ne produit pas un modèle qu'on installe et qu'on oublie. Il produit un jumeau numérique à la qualité maîtrisée et au cycle de vie contrôlé de bout en bout — versioning, traçabilité des mises à jour, détection de dérive, auditabilité des inférences. L'expert métier reste propriétaire de son système à chaque étape.

L'universalité de l'architecture est démontrée sur des domaines hétérogènes — médecine prédictive, recherche clinique en oncologie, transport urbain. Partout où un professionnel dispose de données structurées et d'une question précise, TweenMe peut opérer.

Architecture technique

TweenMe est la réponse technologique à une question précise : comment construire, à partir de données industrielles hétérogènes à qualité variable, une représentation computationnelle spécifique et dynamique, suffisamment fidèle pour supporter des décisions prédictives pertinentes ?

Cette question est générique — elle s'applique à tout domaine où un professionnel dispose d'un patrimoine de données instrumenté. Dans le cas spécifique des données de santé et des sciences de la vie, elle prend une forme particulièrement exigeante.

Le problème HDLSS — High Dimensionality, Low Sample Size

Les données de santé présentent une caractéristique structurelle qui met en échec la majorité des approches classiques de machine learning : elles sont à haute dimensionnalité et faible profondeur d'échantillon (High Dimensionality Low Sample Size — HDLSS). Un patient peut générer des milliers de variables (biologiques, cliniques, omiques, comportementales) — mais la cohorte disponible pour entraîner un modèle prédictif reste souvent limitée à quelques dizaines ou centaines de sujets.

Dans ce contexte, les modèles standards sur-ajustent ou échouent à extraire des patterns généralisables. La donnée est riche en structure mais pauvre en volume — ce qui inverse la logique habituelle des approches de deep learning classiques.

Comment TweenMe fonctionne

En partant de l'analyse de votre patrimoine de données et de votre question de recherche, TweenMe opère en quatre étapes séquentielles et entièrement guidées — sans qu'aucune expertise algorithmique ne soit requise de votre part.

Principes de conception

TweenMe est conçu selon trois principes non négociables, directement issus du Framework RAISE et des contraintes de déploiement en environnements réglementés :

• Interopérabilité native — FHIR R4 / HL7 comme standard d'échange, pas comme couche d'adaptation. Les données entrent et sortent dans des formats standardisés sans transformation propriétaire.
• Souveraineté des données — hébergement HDS certifié, localisation française, aucune donnée de santé transitant hors du périmètre souverain défini contractuellement.
• Auditabilité by design — chaque mise à jour du jumeau, chaque inférence du modèle prédictif, chaque alerte générée est tracée et reconstructible à des fins d'audit clinique et réglementaire.

¹ Les interfaces cliniques et territoriales (dashboard GHT, alertes prédictives, export réglementaire) sont en cours de développement dans le cadre du projet PREDICARE. Elles ne font pas partie du cœur moteur actuellement déployé dans les POC.

Universalité de l'architecture

TweenMe n'est pas un outil spécifique à la santé. Son architecture de génération de jumeaux numériques individuels repose sur des principes génériques — modélisation de trajectoires multimodales, mise à jour en temps réel, inférence prédictive — applicables à tout système complexe suffisamment instrumenté.

Deux cas d'usage hors santé ont déjà démontré cette universalité :

Smart Transportation

TweenMe a été mis en œuvre sur des problématiques de mobilité urbaine et de flux de transport, en substitution aux modèles de simulation traditionnels (modèles à base d'agents, matrices O-D). Les résultats ont surpassé les modèles traditionnellement mis en œuvre sur les métriques de précision prédictive, avec un temps de mise en œuvre significativement réduit. Ce cas d'usage démontre que l'architecture de jumeau numérique individuel peut modéliser des systèmes sociotechniques complexes au-delà du domaine médical.

Génération de population synthétique — Oncologie

Un algorithme de génération de population synthétique développé dans le cadre de TweenMe, appliqué à un essai thérapeutique dans le cancer du poumon, a été présenté à l' ISPOR Glasgow 2025 (International Society for Pharmacoeconomics and Outcomes Research) et noté top 5% des posters de la conférence.

Ce résultat valide l'approche sur un cas d'usage à fort enjeu réglementaire — la génération de population synthétique pour les essais cliniques est soumise à des exigences de validation statistique et réglementaire (ICH E6, 21 CFR Part 11) particulièrement strictes. Le classement top 5% par un jury de pairs internationale constitue une validation indépendante significative.

L'universalité de TweenMe n'est pas une promesse de positionnement — c'est un résultat démontré dans des environnements opérationnels réels, sur des cas d'usage métier hétérogènes, avec des validations indépendantes publiées ou présentées.

TweenMe a été mis en œuvre dans 4 POC payants en environnements opérationnels réels — ce qui le positionne à TRL 6–7, au-delà de la simple validation en laboratoire. Les cas d'usage couvrent à la fois le domaine médical (PREDICARE) et des secteurs non-médicaux, démontrant le caractère générique de l'architecture de génération de jumeaux numériques.

La phase pilote PREDICARE (cohorte GHT) constitue l'étape vers TRL 8–9 — validation système complète en environnement opérationnel, préalable à la certification MDR et au déploiement industriel à l'échelle.

Application du Framework RAISE

TweenMe est la brique technologique de PREDICARE — à ce titre, il est soumis aux mêmes exigences RAISE, avec des contraintes spécifiques liées à son statut de dispositif médical logiciel (SaMD).

Relation avec PREDICARE

TweenMe est à PREDICARE ce qu'un moteur est à un véhicule — une brique technologique centrale, nécessaire mais insuffisante seule. PREDICARE apporte l'infrastructure territoriale, la gouvernance clinique, le modèle de financement et le cadre réglementaire dans lequel TweenMe peut fonctionner comme système déployable.

Inversement, TweenMe est la condition de possibilité de PREDICARE — sans générateur de jumeaux numériques individuels, le programme territorial n'a pas de brique computationnelle sur laquelle s'appuyer.

Cette interdépendance est structurelle, pas contingente. Elle est documentée dans le mémoire PREDICARE v3.