/// Signal

Healthleap lève 38 M$ : l’étude qui valide son IA est signée par ses fondateurs

Le fait : le 7 octobre 2026, TechCrunch a révélé que Healthleap a levé 38 M$ — 8 M$ en amorçage co-menés par Sequoia Capital et First Round Capital, et 30 M$ en série A menée par Hummingbird Ventures, sans valorisation communiquée. Le site de l’entreprise porte lui-même le bandeau « Healthleap announces $38M in Seed and Series A Funding ». Fondée en Afrique du Sud en 2022 par la diététicienne Jemima Meyer et son frère Josiah, la société est passée, selon son PDG, de trois hôpitaux partenaires à plus de 50 en un an. Son argument le plus fort est une étude publiée — en accès libre, indexée dans PubMed — et signée par neuf auteurs, dont sept sont rattachés à Healthleap : parmi eux ses deux cofondateurs. Et sur la limite de l’outil, l’article de presse écrit ceci, au discours indirect : « The company notes that its software doesn’t diagnose patients, only highlights items for additional review ». Ce n’est donc pas un logiciel qui dit ce qu’un patient a ; c’est un logiciel qui dit quels patients regarder.

Une validation, oui — mais pas une validation extérieure. La référence est réelle, complète et vérifiable : « Artificial Intelligence-Based Hospital Malnutrition Screening: Validation of a Novel Machine Learning Model », Applied Clinical Informatics, 2025, volume 16, numéro 5, pages 1646 à 1657, DOI 10.1055/a-2635-3158, mise en ligne le 16 juin 2025, soit plus de quinze mois avant l’annonce de la levée. L’article est en accès libre, sous licence Creative Commons. Ce qu’il mesure : « a gradient-boosted decision tree model incorporating a large language model (LLM) for feature extraction using the electronic medical record data of 106,449 patients over 3.75 years ». Sa performance : « The model’s area under the receiver operating curve was 0.92 (95% confidence interval [CI]: 0.91-0.92) on the first day of hospitalization and rose to 0.95 (95% CI: 0.95-0.96) using the maximum risk predicted for each patient throughout hospitalization, indexed against discharge-coded malnutrition. » Sa comparaison, qui est le cœur du travail : le modèle « outperformed the nurse-administered, modified version of the Malnutrition Screening Tool (MST) that was used in practice ». Et la phrase la plus utile du document, parce qu’elle dit à la fois la force et la limite de l’outil : « Patients identified by the model had higher likelihoods of readmission and death compared with patients identified by the nurse-administered screener. » Les patients que le modèle fait remonter sont plus graves que ceux que le dépistage humain faisait remonter. Cela ne dit pas qu’ils sont mieux soignés. Cela dit qu’ils sont vus. Reste qui a écrit tout cela, et c’est la donnée que la levée met en avant sans la mentionner. Sur les neuf auteurs, sept portent l’affiliation « HealthLeap, Inc., San Francisco, California, United States » ; les deux autres, le département de médecine physique et de réadaptation du Cedars-Sinai Medical Center. Les liens ne sont pas tous de même nature, et le document le dit dans sa déclaration d’intérêts : « P.J., J.M., R.A.B., and J.E.M.M. are employees of HealthLeap, Inc. A.M.B., K.M., and M.F.M. are advisors to the company. The remaining authors declare no competing interests. » Quatre salariés, trois conseillers, deux sans lien déclaré. Et un détail se lit à côté de cette déclaration : elle range Riggs et Burke parmi ceux qui « declare no competing interests », tandis que les pages de l’entreprise présentent un « Richard Riggs, MD » comme son directeur médical, et l’ancien directeur médical de Cedars-Sinai. Même nom, même hôpital : le rapprochement est fort, sans être une preuve d’identité — l’étude, elle, n’affilie ce nom qu’à Cedars-Sinai — et nous n’allons pas plus loin que ce que les documents disent séparément. Autrement dit : au moins sept signatures sur neuf portent l’affiliation de l’entreprise, et son argument de vente repose sur un travail qu’elle a largement écrit elle-même — jusqu’à ses deux fondateurs, la diététicienne et son frère. Ce n’est pas la même preuve qu’une validation conduite par des tiers. Il faut dire aussi que l’entreprise revendique de publier son travail : sa page « About » en fait une méthode affichée — « Earn trust with evidence, not adjectives. We publish our work, submit it to peer review, and put our own money at risk on the outcome. » Cela ne dit pas qui signe l’étude, et une autre de ses pages attribue même la recherche à des « leaders » extérieurs. Deux affirmations de ses pages méritent en revanche d’être notées, sans être tranchées. La page d’accueil écrit : « Co-authored research with leaders from Cedars-Sinai, Johns Hopkins, and Stanford, and published in Applied Clinical Informatics. » Or ni Johns Hopkins ni Stanford n’apparaissent dans les affiliations de l’étude publiée, qui n’en compte que deux. Il peut s’agir d’autres travaux, ou d’un développement mené avec ces équipes : la page « About » parle, elle, d’une plateforme « Developed with leaders from Cedars-Sinai, Johns Hopkins, and Stanford, in partnership with the Academy of Nutrition and Dietetics » — ce qui n’est pas la même affirmation. Nous ne tranchons pas. Un chiffre, enfin, ne concorde pas davantage entre les pages de l’entreprise et l’étude : la page d’accueil écrit « Studied across 166k+ admissions over 3.75 years (Bernstein et al., Applied Clinical Informatics) », là où l’étude écrit 106 449 patients sur la même durée. Deux périmètres, peut-être — patients contre admissions, ou cohorte élargie depuis ; le texte intégral étant en accès libre mais servi par une page bloquée, nous n’avons pas pu trancher, et nous ne le tranchons pas ici.

Ce que le site annonce, et ce que ses verbes disent. Le site s’intitule « Inpatient Risk Screening », et son accroche promet un programme : « Healthleap’s AI screening program surfaces at-risk inpatients earlier starting with malnutrition, delirium and aspiration pneumonia, tackling the most under-diagnosed conditions in the hospital ». Plus bas, la liste des cinq conditions est plus prudente que cette accroche — la différence est dans les verbes, et aucune des cinq lignes n’est formulée comme les autres. La malnutrition : « Risk identification, validated against the clinical reference standard ». Le delirium et l’encéphalopathie métabolique toxique : « Identification designed to surface patients who may be missed ». La pneumonie par aspiration : « Identifying patients at elevated aspiration risk before complications develop ». Les réadmissions pour insuffisance cardiaque : « Flagging the patients most likely to return before they leave ». Les lésions de pression : « Earlier identification of at-risk patients for prevention protocols ». Une seule dit « validated ». Un mot compte aussi dans la première : le critère retenu par l’étude est le codage de malnutrition à la sortie — « indexed against discharge-coded malnutrition » — donc une donnée administrative, et non un examen clinique indépendant ; l’étude note que des résultats comparables s’observent en prenant pour référence la malnutrition enregistrée par les diététiciens. Le contexte de départ, lui, est chiffré par la société : « Up to 50% of inpatients are at risk of malnutrition », et l’article de presse ajoute, dans sa propre prose, que « Research suggests 20% to 50% of hospital inpatients are malnourished, and some studies have linked malnutrition with longer stays, impaired wound healing, infections, and other complications, as well as higher morbidity and mortality. » Sur les performances, le site avance deux chiffres absents du résumé que nous avons lu : « 88% higher sensitivity » par rapport au dépistage infirmier, et « 4 days earlier identification » des patients. Ils peuvent venir du corps de l’étude, que nous n’avons pas pu ouvrir ; nous les rapportons donc comme des revendications de l’éditeur, pas comme des résultats vérifiés.

Les résultats partenaires, et deux écarts entre sources. L’éditeur publie des chiffres que l’article de TechCrunch ne reprend pas : pour Penn Medicine, « 8,632 Bed-days saved, annualized » ; pour Cedars-Sinai, un impact annuel de « $11M », avec « 39% More diagnoses, same staffing ». Il ajoute une règle de trois qu’il présente comme telle — « Every 1,000 additional reimbursable malnutrition cases captured is roughly $5M in incremental reimbursement » — et une revendication qu’il borne lui-même : « To our knowledge, Healthleap offers the only commercially available, peer-reviewed AI malnutrition screening tool. » To our knowledge : la limite de connaissance de l’entreprise, pas un recensement du marché. TechCrunch apporte le reste, et il faut distinguer ce qu’il cite de ce qu’il raconte. Ce qu’il cite vient du PDG, Josiah Meyer, et le mot qu’il emploie pour décrire sa méthode mérite d’être relevé : « A patient’s chart holds two kinds of data. Labs, weights, and vital signs sit in structured fields, but the most telling signs sit in clinicians’ written notes: poor appetite, recent weight loss, muscle loss, trouble swallowing. Our developing approach is extracting affirmative or negated mentions of these clinical concepts in an easily extensible and scalable way ». Our developing approach : une approche en développement, dans les mots du PDG, plus de quinze mois après la publication de l’étude. Josiah Meyer décrit aussi le rythme : « Each night, we analyze every adult inpatient’s record: lab results, vital signs, weights, medications, diet orders, diagnoses, clinicians’ notes, and more », et, dans la seconde phrase de la même réponse : « Each morning, we write a risk score into the care team’s existing workflow with a dashboard accessible that holds additional information about the patients’ trends ». Ce que l’article raconte, en revanche, est sa propre prose, et elle n’est pas entre guillemets dans le journal : la société est passée de trois hôpitaux partenaires à plus de 50 en un an, et son chiffre d’affaires a plus que décuplé sur la même période, sans que le détail soit donné — deux informations qu’il attribue au PDG, sans les lui faire dire mot pour mot. Une troisième, en revanche, il ne l’attribue à personne : il écrit, de son propre chef, que la société vend des contrats de trois ans dont le prix suit le nombre de lits autorisés de l’hôpital. Le retour sur investissement, enfin, et son statut exact, revient au PDG, Josiah Meyer : « To date, every customer has seen a 5x hard ROI or more, in some cases over 20x annual total ROI » — un ROI que Josiah Meyer définit lui-même comme « the hard ROI that the hospital finance team validates and attributes to us ». Validé par l’équipe financière de l’hôpital, donc, ce qui vaut mieux qu’une estimation de vendeur ; mais attribué à Healthleap, ce qui n’est pas la même chose qu’un gain net pour l’hôpital. Reste un point qui mérite d’être écrit plutôt que lissé : le PDG tient la pneumonie par aspiration, les lésions de pression et les réadmissions cardiaques pour en cours de validation clinique supplémentaire, et TechCrunch l’écrit dans sa propre phrase — « which Josiah said are undergoing further clinical validation » — là où l’accroche du site range la pneumonie par aspiration dans ce que le programme traite déjà ; pour les deux autres, le site écrit seulement qu’elles sont « already being extended to », ce qui ne le contredit pas. L’objectif affiché, enfin, en reste un : couvrir à terme plus de 40 pathologies majeures et s’étendre aux soins ambulatoires et à domicile.

Notre lecture. Le sujet n’est pas la levée, et rien dans les documents ne suggère une fraude. Le sujet est la forme de la preuve. 38 M$ arrivent sur un dossier dont la pièce maîtresse est une étude publiée — ce qui reste rare dans la santé numérique, où l’argument est souvent une capture d’écran — mais cette étude est signée majoritairement par l’entreprise qui vend l’outil, jusqu’à ses deux fondateurs, et la déclaration de liens d’intérêts le dit sans détour. Ce n’est pas la même chose qu’un essai indépendant, et c’est la nuance que l’annonce de la levée ne met pas en avant — l’article de presse, lui, ne mentionne l’étude nulle part, et c’est de la page du vendeur et de la notice PubMed que vient cet argument. La page « About » assume en revanche la méthode : publier son travail et le soumettre à la relecture. La deuxième information tient en deux phrases : celle de TechCrunch sur la limite de l’outil, déjà citée, et celle de l’entreprise sur le partage du travail — « Software should do the reading. Clinicians should do the caring. » Une IA qui ne diagnostique pas mais qui signale reste du côté de l’outil : son rôle s’arrête au tri. Notre lecture — et elle n’est pas dans les documents — est que c’est cette limite qui rend un tel déploiement acceptable pour un hôpital. Ce qui reste ouvert est de l’autre côté de la même phrase. L’étude le dit sans détour, et c’est à l’honneur de ses auteurs : les patients que le modèle fait remonter ont une probabilité plus élevée de réadmission et de décès que ceux que le dépistage infirmier faisait remonter. Repérer plus grave n’est pas soigner mieux. Les indicateurs publiés mesurent d’ailleurs autre chose que l’état des patients : des journées-lit évitées, des diagnostics posés, des remboursements encaissés, et, pour le directeur médical, une « Measurable improvement in O:E ratios, length of stay, and severity capture » — des ratios de gestion et des durées de séjour. Rien, dans les documents que nous avons lus, ne dit si l’état de santé des patients signalés s’en est trouvé amélioré. Le test du retour à la moyenne, notre filtre maison : dans six mois, la bonne question ne sera pas de savoir combien Healthleap a levé, mais si la preuve est devenue extérieure. Trois signaux observables. Une équipe qui n’appartient pas à l’entreprise publie-t-elle à son tour sur ce modèle ? Les programmes encore en validation — pneumonie par aspiration, lésions de pression, réadmission cardiaque — sortent-ils de la validation, et lesquels ? Et un hôpital parle-t-il de son propre chef des 23,8 M$ de Penn ou des 11 M$ de Cedars-Sinai, au lieu que ce soit l’éditeur qui les rapporte ?