À la une Inceptive au Forum IT d’Abicom, le 26 novembre à Saint-Étienne

/santé et médico-social

Étude sectorielle · mise à jour le 19 novembre 2026

Noms, dates et numéros de sécurité sociale masqués dans les fiches d’événement indésirable et les cas de formation

Une copie sans identité pour l’analyse en équipe, la déclaration ou un outil d’IA ; l’original reste au dossier.

L’anonymisation par l’IA repère dans un compte rendu, une fiche d’événement indésirable ou un cas de formation les noms, initiales, dates, adresses et numéros de sécurité sociale, puis les remplace avant tout partage. Le numéro de sécurité sociale (NIR) sert d’identifiant de santé pour la prise en charge sanitaire et médico-sociale. La CNIL range aussi les informations relatives au handicap parmi les données de santé : dans un établissement pour personnes handicapées, presque chaque écrit en contient.

01 / 08 /usagesDes écrits sans identité, avant qu’ils ne quittent l’équipe.

/usages

Des écrits sans identité, avant qu’ils ne quittent l’équipe.

Des règles repèrent les identifiants à format fixe, comme le NIR, un téléphone ou une adresse électronique. Un modèle d’apprentissage profond, entraîné à reconnaître les entités nommées, distingue dans chaque phrase le nom d’un résident, d’un proche ou d’un professionnel, une date, un lieu. Chaque mention reçoit une étiquette constante, et les passages douteux vont à un relecteur.

Apprentissage profond (Deep Learning)L’anonymisation, tous secteurs

  • Fiches d’événement indésirable Retire les noms des résidents et des professionnels avant l’analyse en équipe ou la déclaration.
  • Cas de formation Transforme une situation réelle en cas d’étude pour l’analyse des pratiques, sans détail qui trahisse la personne.
  • Requêtes à un outil d’IA Nettoie un compte rendu avant qu’il serve de requête à un assistant sans garantie de confidentialité.
  • Exemples pour un assistant Ôte les identités d’anciens écrits avant qu’ils servent de modèles à un outil de rédaction.

/déclarations

Des déclarations d’événements graves en Ehpad de plus en plus nombreuses.

Tous les professionnels de santé et tous les établissements sanitaires et médico-sociaux, Ehpad compris, doivent déclarer les événements indésirables graves associés aux soins (EIGS). Sur 4 433 déclarations reçues par la HAS où un Ehpad était potentiellement en cause, 747, près de 17 %, se sont révélées inexploitables, faute de qualité suffisante.

Analyse des déclarations d’EIGS en lien avec les Ehpad (HAS, juillet 2026) (nouvel onglet)

Déclarations d’EIGS en lien avec un Ehpad retenues pour l’analyse de la HAS, par année de réception
  • 2018 2018 : 68 déclarations 68 déclarations
  • 2019 2019 : 95 déclarations 95 déclarations
  • 2020 2020 : 70 déclarations 70 déclarations
  • 2021 2021 : 168 déclarations 168 déclarations
  • 2022 2022 : 290 déclarations 290 déclarations
  • 2023 2023 : 477 déclarations 477 déclarations
  • 2024 2024 : 792 déclarations 792 déclarations
  • 2025, au 11 juin 2025, au 11 juin : 347 déclarations 347 déclarations

Source : HAS, « Analyse des déclarations d’événements indésirables graves associés aux soins (EIGS) en lien avec les Ehpad », juillet 2026, figure 1, 2018-2025 (nouvel onglet)

/règles

Trois écrits, trois listes de mentions à retirer.

La déclaration d’un EIGS garantit « l’anonymat du ou des patients et des professionnels concernés », le déclarant excepté (article R1413-70 du code de la santé publique). L’ARS la transmet ensuite à la HAS sans le nom du déclarant ni l’adresse du lieu de l’événement. Les initiales, admises dans une fiche d’analyse interne, sont en revanche à retirer d’une requête à un outil d’IA ouvert.

Aide à l’analyse des EIAS (HAS, 2026) (nouvel onglet)Déclarer les EIGS (HAS) (nouvel onglet)

Ce qu’il faut retirer, selon l’écrit
ÉcritÀ retirer ou à transformerRéférence
Requête à un outil d’IA générative sans garantie de confidentialitéNoms, prénoms, initiales, dates, adresses postales et électroniques, numéros de téléphone et de sécurité socialeGuide de la HAS sur l’IA générative, clef 2.4 (2025)
Fiche d’analyse d’un événement indésirable associé aux soinsToute donnée nominative ; initiales seules ; âge au lieu de la date de naissance ; J1, J2, J3 au lieu des datesAide à l’analyse des EIAS de la HAS (mise à jour en mars 2026)
Déclaration d’un EIGSNoms, adresse et date de naissance des personnes prises en charge, noms des professionnels, identifiants directs des champs libres ; à la transmission à la HAS, nom du déclarant et adresse du lieuCode de la santé publique, articles R1413-70 et R1413-72

Source : HAS : « Premières clefs d’usage de l’IA générative en santé » (octobre 2025) ; « Aide à l’analyse des événements indésirables associés aux soins en établissements sanitaires et médico-sociaux » (mars 2026) ; « Déclarer les EIGS » (juin 2022), 2022-2026 (nouvel onglet)

Une donnée anonymisée ne doit permettre ni d’isoler une personne, ni de relier ses données, ni d’en déduire de façon quasi certaine une information nouvelle.

/sur le terrain

Une anonymisation confiée à l’outil, contrôlée par la qualité.

Le repérage automatique rattrape ce que l’œil laisse passer dans un texte long : un prénom dans une citation, le nom d’une fille en visite, une date glissée dans une phrase. Il manque plus souvent le détail qui désigne sans nommer, comme la chambre du fond ou l’ancien métier d’un résident.

Un premier usage porte de préférence sur un seul type d’écrit, la fiche d’événement indésirable par exemple. Le responsable qualité garde la décision de laisser sortir une copie.

Rédaction assistée des courriers et des projets

  • Dresser la liste des mentions en partant des trois écrits qui sortent le plus souvent de l’équipe
  • Annoter un échantillon en demandant aux cadres et à la qualité de marquer ce qu’ils masqueraient
  • Garder l’original en ne travaillant que sur une copie, l’écrit d’origine restant dans le DUI
  • Former les rédacteurs en leur apprenant à écrire « le résident » ou « l’aide-soignante de nuit » dès le premier jet

/cas de formation

Un cas de formation qui ne laisse reconnaître personne.

Le code de la santé publique réserve l’échange d’informations sur une personne accompagnée aux professionnels qui participent à sa prise en charge, pour le strict nécessaire. Un cas présenté en analyse des pratiques, à un stagiaire ou à un groupe de travail sort de ce cercle. Dans un établissement de soixante places, un nom retiré ne suffit pas toujours.

Article L1110-4 du code de la santé publique (Légifrance) (nouvel onglet)Synthèse de dossiers et de réunions

  • Le lieu L’unité, l’étage et le numéro de chambre deviennent « une unité protégée » ou « une chambre double ».
  • La chronologie Les dates cèdent la place à des repères relatifs : jour de l’entrée, semaine suivante, troisième mois.
  • Le détail rare Une maladie peu fréquente, un ancien métier ou un fait relayé par la presse locale se généralisent ou disparaissent.

/méthode

Une anonymisation mise en service écrit par écrit.

Le responsable qualité, le délégué à la protection des données et les cadres fixent ce qui se masque, ce qui se généralise et ce qui reste en clair. L’outil s’insère là où les écrits passent déjà : DUI, messagerie, dossier partagé.

AI StudioArchipel

  • LISTE DES MENTIONS Pour chaque type d’écrit, la liste des mentions à retirer s’écrit à partir des règles de la HAS et des usages de l’établissement.
  • ÉCHANTILLON ANNOTÉ PAR LA QUALITÉ Sur des fiches réelles annotées, se mesurent la part des mentions repérées et celle des passages masqués à tort.
  • RELECTURE AVANT SORTIE Chaque copie passe par un relecteur désigné ; ses corrections servent à réentraîner le modèle.

/à savoir

Les questions fréquentes sur l’anonymisation des écrits médico-sociaux.

IA hébergée chez vousCas d’usage de l’IA dans la santé et le médico-socialSouveraineté

Quelle différence entre anonymiser et pseudonymiser un document ?

La pseudonymisation remplace le nom par un alias ou un numéro : elle est réversible, et la CNIL précise que les données gardent alors leur caractère personnel. L’anonymisation rend impossible, en pratique et de manière irréversible, toute identification. Une fiche où « Mme D. » devient « résidente A », avec une table de correspondance conservée, reste donc pseudonymisée.

Une IA peut-elle anonymiser des documents manuscrits ou scannés ?

Oui, après une étape de lecture. Une reconnaissance optique de caractères (OCR) convertit d’abord la page en texte ; une écriture difficile ou une copie de mauvaise qualité produit des erreurs, donc des noms manqués. Ces documents passent par une relecture plus serrée, et le masquage porte sur le texte, pas sur un rectangle posé sur l’image.

Faut-il une analyse d’impact pour anonymiser les dossiers des résidents ?

La CNIL exige une analyse d’impact (AIPD) pour les données de santé traitées par les établissements médico-sociaux pour la prise en charge, et cite les dossiers des résidents d’EHPAD. Un outil qui lit ces dossiers pour en tirer des copies traite ces mêmes données : son usage se décrit dans l’analyse d’impact, avec votre délégué à la protection des données.

Une fiche anonymisée relève-t-elle encore du RGPD ?

Non, si l’anonymisation est réelle : la CNIL rappelle que la législation sur la protection des données ne s’applique plus à des données anonymisées. Encore faut-il qu’aucun nom ni aucun détail rare ne permette de reconnaître la personne. Le responsable qualité le vérifie avant toute diffusion ; tant qu’un doute demeure, la copie se traite comme une donnée personnelle.

/santé et médico-social

/contact

Travaillons ensemble

Découvrez comment Inceptive peut vous aider à transformer votre activité et à résoudre des problématiques opérationnelles complexes grâce à l’intelligence artificielle.

contactez-nous