En bref
Un patient insight n’est pas simplement une donnée collectée auprès d’un patient, ni un verbatim marquant.
Il correspond à un enseignement construit à partir de données ou d’expériences patient, analysé dans son contexte et suffisamment étayé pour éclairer une décision.
On peut résumer la démarche ainsi : Donnée → Signal → Compréhension → Patient insight → Décision → Mesure
Les sources peuvent être multiples :
- entretiens et verbatims ;
- questionnaires ;
- PREMs et PROMs ;
- études de préférences ;
- données de parcours ;
- données d’usage ;
- observations issues de programmes d’accompagnement ;
- conversations, lorsque leur analyse est prévue dans le cadre de consentement et d’utilisation défini.
L’enjeu n’est donc pas de collecter le plus de données possible, mais de savoir : quelle question nous cherchons à résoudre, quelles données permettent réellement d’y répondre et quelle décision pourra être prise ensuite.
Qu’est-ce qu’un patient insight ?
Le terme patient insight est largement utilisé dans les organisations de santé, mais il ne correspond pas à une catégorie réglementaire aussi précisément définie que les patient experience data.
La FDA définit les patient experience data comme des données destinées à renseigner les expériences, perspectives, besoins et priorités des patients concernant notamment :
- les symptômes et l’histoire de la maladie ;
- les conséquences de la maladie sur le fonctionnement et la qualité de vie ;
- l’expérience des traitements ;
- les outcomes considérés comme importants ;
- les préférences ;
- ou encore l’importance relative accordée à différents enjeux.¹
L’Agence européenne des médicaments utilise également la notion de patient experience data pour décrire des informations reflétant directement l’expérience ou les préférences des patients concernant les traitements ou les outcomes, sans interprétation par un professionnel de santé.²
Le patient insight se situe une étape plus loin.
Chez TOMO, nous utilisons ce terme dans un sens opérationnel :
Un patient insight est un enseignement issu de l’analyse contextualisée de données ou d’expériences patient, permettant de mieux comprendre un besoin, un comportement ou une difficulté et susceptible d’éclairer une décision.
Un patient insight est un enseignement issu de l’analyse contextualisée de données ou d’expériences patient, permettant de mieux comprendre un besoin, un comportement ou une difficulté et susceptible d’éclairer une décision.
Cette définition implique une différence fondamentale entre collecter de l’information et produire de la compréhension.
Donnée, verbatim, signal et insight : quelle différence ?
Prenons un exemple.
Un patient dit : « Quand je suis rentré chez moi, je ne savais plus vraiment ce que je devais faire. »
Il s’agit d’un verbatim.
Plusieurs patients rapportent des difficultés comparables après leur sortie.
Cela devient un signal.
L’analyse montre que ces difficultés apparaissent principalement pendant les premiers jours après le retour à domicile et concernent surtout :
- les symptômes à surveiller ;
- la personne à contacter ;
- certaines consignes reçues à l’hôpital.
On commence alors à obtenir une compréhension structurée du problème.
L’insight pourrait devenir : « La période immédiatement après le retour à domicile constitue un moment de vulnérabilité informationnelle : plusieurs patients disposent des informations nécessaires mais ne savent plus lesquelles mobiliser ni vers qui se tourner lorsqu’une question survient. »
À partir de là, une organisation peut envisager différentes décisions :
- modifier le moment où certaines informations sont délivrées ;
- simplifier les supports ;
- prévoir un point de contact après la sortie ;
- proposer une ressource d’accompagnement complémentaire.
Le patient insight ne correspond donc pas au verbatim lui-même.
Il correspond à ce que l’analyse permet de comprendre derrière le verbatim.
Un insight n’est pas nécessairement généralisable à tous les patients
Cette distinction est également essentielle.
Un patient peut apporter une information extrêmement pertinente sans que son expérience soit représentative de toute une population.
De la même manière : 10 patients exprimant la même difficulté ne permettent pas automatiquement de conclure que 70% des patients la rencontrent.
Les conclusions possibles dépendent :
- de la manière dont les participants ont été sélectionnés ;
- de la taille et de la diversité de la population ;
- de la méthode de collecte ;
- du contexte ;
- de la question étudiée ;
- de la méthode d’analyse.
La FDA insiste notamment sur l’importance de recueillir une information suffisamment complète et représentative de la population d’intérêt lorsque la finalité nécessite cette représentativité.³
Un insight qualitatif peut donc être extrêmement utile pour :
- identifier un problème ;
- comprendre ses mécanismes ;
- générer une hypothèse ;
- concevoir une intervention.
Mais sa portée doit rester cohérente avec les données qui l’ont produit.
C’est une règle essentielle pour ne pas transformer abusivement une expérience individuelle en vérité générale.
Quelle différence avec l’expérience patient ?
Le patient insight correspond à un enseignement produit à partir de l’analyse de cette expérience et éventuellement d’autres données.
On peut donc avoir : Expérience vécue → donnée d’expérience → analyse → insight
Il faut également distinguer cela du savoir expérientiel du patient, qui correspond aux connaissances acquises et construites par une personne à partir de son propre vécu.
Ces notions se complètent mais ne sont pas interchangeables.
Quelles données permettent de produire des patient insights ?
Il n’existe pas une source unique de patient insights.
Les données les plus utiles sont souvent celles qui permettent de croiser ce que les patients déclarent, ce qu’ils vivent et ce qu’ils font réellement.
Les entretiens et les verbatims
Les entretiens individuels sont particulièrement utiles lorsqu’on cherche à comprendre :
- pourquoi une difficulté apparaît ;
- comment elle est vécue ;
- ce qu’un patient fait pour y répondre ;
- les arbitrages qu’il réalise ;
- ce qui manque dans un parcours ou un dispositif.
Ils permettent de faire émerger des dimensions qui n’auraient pas nécessairement été prévues dans un questionnaire.
La FDA reconnaît notamment les méthodes qualitatives comme une approche importante pour identifier ce qui compte réellement pour les patients avant de chercher éventuellement à le mesurer quantitativement.⁴
Un entretien peut ainsi permettre de découvrir qu’un problème initialement présenté comme une difficulté de compréhension est en réalité lié à :
- la quantité d’informations reçues ;
- leur timing ;
- la peur d’oublier ;
- ou l’absence de personne à qui poser une question quelques jours plus tard.
Les questions ouvertes et données qualitatives
Les champs libres de questionnaires, retours d’expérience ou commentaires peuvent également faire émerger des signaux.
Ils permettent notamment d’identifier :
- des sujets récurrents ;
- des mots utilisés spontanément ;
- certaines préoccupations non anticipées ;
- des différences entre profils.
Mais leur analyse doit être structurée.
Compter simplement le nombre de fois où un mot apparaît ne suffit pas toujours à comprendre ce qu’il signifie dans son contexte.
Les PREMs
Les Patient-Reported Experience Measures permettent de mesurer certaines dimensions de l’expérience des soins ou d’un parcours.
Ils peuvent documenter par exemple :
- l’information reçue ;
- l’écoute ;
- la coordination ;
- les délais ;
- l’implication dans les décisions.
Ils constituent une source particulièrement utile lorsqu’on souhaite suivre une dimension de manière structurée dans le temps ou comparer certaines populations.
Pour approfondir cette distinction, voir notre article PREMs et PROMs : définition, différences, exemples et comment les utiliser.
Les PROMs
Les PROMs renseignent directement des dimensions de l’état de santé rapportées par les patients :
- douleur ;
- fatigue ;
- fonctionnement ;
- qualité de vie ;
- santé mentale ;
- symptômes.
Ils peuvent apporter un contexte important à l’analyse. Mais un PROM n’est pas, en lui-même, un patient insight.
Une baisse d’un score de qualité de vie constitue une donnée.
Comprendre :
- chez quels patients elle apparaît ;
- à quel moment ;
- avec quelles difficultés ;
- dans quelles circonstances ;
permet progressivement de transformer cette donnée en enseignement exploitable.
Les études de préférences patient
Les études de préférences cherchent à comprendre ce que les patients valorisent et quels arbitrages ils sont prêts à accepter entre différentes options ou caractéristiques.
Elles peuvent combiner des méthodes qualitatives et quantitatives.
Elles sont notamment utilisées dans le développement des produits de santé pour mieux comprendre les priorités des patients et la manière dont ils évaluent différents bénéfices, risques ou contraintes.⁵
Un point est particulièrement important : ce qu’un acteur de santé considère comme une amélioration majeure n’est pas nécessairement ce que les patients considèrent eux-mêmes comme prioritaire.
Les données de parcours
Les données de parcours permettent d’observer ce qui se passe concrètement.
Par exemple :
- inscription ;
- orientation ;
- prise de rendez-vous ;
- rendez-vous réalisé ;
- répétition de l’usage ;
- interruption ;
- abandon.
Elles permettent souvent de répondre à : « Où se situe le problème ? » mais rarement, seules, à : « Pourquoi ce problème existe-t-il ? »
Si 40% des utilisateurs abandonnent une démarche à une étape précise, l’information est importante.
Mais plusieurs hypothèses restent possibles :
- problème technique ;
- manque de compréhension ;
- demande trop complexe ;
- valeur insuffisamment perçue ;
- mauvais timing ;
- absence de besoin réel.
Il faut souvent croiser cette donnée avec d’autres sources pour produire un insight.
Les données d’usage
Dans un dispositif numérique ou un programme d’accompagnement, on peut également analyser :
- fréquence des connexions ;
- fonctionnalités utilisées ;
- moment des interactions ;
- durée ;
- récurrence ;
- interruption.
Là encore : usage ≠ intention
Une personne qui n’utilise plus un service n’est pas nécessairement insatisfaite.
Elle peut simplement ne plus en avoir besoin.
Les conversations
Les échanges réalisés dans le cadre d’un programme d’accompagnement peuvent contenir des informations riches sur :
- les difficultés du quotidien ;
- les questions qui apparaissent entre les consultations ;
- les sujets difficiles à exprimer ;
- les étapes générant le plus d’incertitude ;
- certains besoins non couverts.
Mais leur analyse nécessite un cadre particulièrement rigoureux.
Lorsque des conversations sont utilisées au-delà de leur finalité initiale d’accompagnement, il faut notamment définir en amont :
- la finalité de cette utilisation ;
- le cadre juridique applicable ;
- l’information donnée aux personnes ;
- le consentement lorsqu’il est requis ;
- les conditions de traitement et de sécurisation des données ;
- les modalités d’analyse.
La valeur potentielle de la donnée ne dispense jamais des exigences de confidentialité, de protection des données et d’éthique.
Pourquoi croiser plusieurs sources ?
Une source unique permet souvent de voir une partie du problème.
Prenons un programme patient.
Données d’usage : 30% des personnes inscrites ne prennent jamais de rendez-vous.
Questionnaire : une partie d’entre elles déclare ne pas savoir précisément à quoi s’attendre.
Entretiens : plusieurs patients expliquent qu’ils craignent de « prendre la place de quelqu’un qui en a davantage besoin ».
Le croisement permet alors de formuler une hypothèse beaucoup plus utile : le principal frein n’est peut-être pas l’accès technique au programme, mais une mauvaise représentation de sa légitimité et de son usage.
Cette compréhension peut directement influencer :
- le message d’acquisition ;
- la page de présentation ;
- les explications données au patient ;
- ou l’intervention des professionnels qui présentent le programme.
C’est pourquoi nous défendons une logique de triangulation plutôt qu’une accumulation de sources.
Comment transformer les données patient en décisions utiles ?
Produire des patient insights ne commence pas par la donnée.
Cela commence par une question.
1. Partir de la décision à éclairer
Avant de collecter, il faut demander : Quelle décision voulons-nous pouvoir prendre ?
Par exemple :
- faut-il modifier une étape du parcours ?
- pourquoi un programme est-il peu utilisé ?
- quel besoin doit être priorisé ?
- quelle information manque aux patients ?
- à quel moment proposer une intervention ?
- quelles dimensions faut-il intégrer à l’évaluation ?
Cette étape évite de recueillir des centaines de données simplement « parce qu’elles pourraient être intéressantes ».
2. Définir la population et le contexte
Un insight n’a de sens que replacé dans son contexte.
Il faut donc savoir :
- quels patients sont concernés ;
- à quel moment du parcours ;
- dans quelle pathologie ;
- avec quelle expérience ;
- dans quel dispositif.
Un besoin observé chez des patients nouvellement diagnostiqués ne peut pas automatiquement être extrapolé aux personnes vivant avec la maladie depuis dix ans.
3. Choisir les bonnes sources
La méthode dépend de la question.
| Question | Source utile |
|---|---|
| Que vivent les patients ? | Entretiens, PREMs, verbatim |
| Pourquoi rencontrent-ils cette difficulté ? | Qualitatif |
| À quelle fréquence apparaît-elle ? | Questionnaire / quantitatif |
| Où abandonnent-ils ? | Données de parcours |
| Quels outcomes évoluent ? | PROMs |
| Que privilégient-ils entre plusieurs options ? | Étude de préférences |
| Comment utilisent-ils un dispositif ? | Données d’usage |
La FDA recommande elle aussi une logique progressive : identifier d’abord ce qui est important pour les patients, puis sélectionner une méthode adaptée pour recueillir et utiliser cette information.⁴
4. Rechercher les récurrences… mais aussi les différences
L’analyse ne doit pas seulement chercher : « Quel est le problème le plus fréquent ? »
Elle doit aussi chercher : « Chez qui ce problème apparaît-il ? »
Deux populations peuvent avoir des besoins très différents.
Par exemple :
- patients nouvellement diagnostiqués ;
- patients expérimentés ;
- proches ;
- personnes ayant un faible niveau de littératie ;
- patients selon leur modalité de traitement.
Un insight peut donc porter sur une segmentation, pas uniquement sur une moyenne.
5. Contextualiser
Un signal ne devient intéressant que lorsqu’on comprend :
- quand il apparaît ;
- chez qui ;
- dans quelles conditions ;
- ce qui semble le déclencher ;
- quelles conséquences il peut avoir.
C’est souvent cette étape qui transforme la donnée en insight.
6. Vérifier la convergence
Avant de transformer un signal en décision importante, il est utile de vérifier s’il apparaît :
- dans plusieurs sources ;
- dans plusieurs entretiens ;
- dans plusieurs populations ;
- ou dans les données quantitatives.
La convergence n’est pas toujours indispensable. Mais elle augmente la confiance dans l’interprétation.
Des travaux récents sur les patient experience data soulignent justement l’importance croissante d’approches structurées et méthodologiquement robustes pour intégrer réellement ces données dans le développement des médicaments.⁶
7. Distinguer observation et interprétation
Une analyse rigoureuse doit permettre de séparer :
Ce que les données montrent de ce que nous pensons qu’elles signifient.
Par exemple :
Observation : les patients ayant pris un second rendez-vous ont en moyenne laissé davantage de messages.
Interprétation possible : la messagerie favoriserait l’engagement.
Mais d’autres explications sont possibles : les patients les plus engagés utilisent peut-être simplement davantage toutes les fonctionnalités.
Il faut donc éviter de transformer une corrélation en causalité.
8. Formuler l’insight de manière actionnable
Un insight utile devrait permettre de répondre à quatre questions :
Qui ?
Quels patients ?
Quels patients ?
Quand ?
À quel moment ?
À quel moment ?
Quoi ?
Quel besoin ou quelle difficulté ?
Quel besoin ou quelle difficulté ?
Et alors ?
Quelle conséquence pour le programme ou le parcours ?
Quelle conséquence pour le programme ou le parcours ?
Un insight trop générique comme : « Les patients veulent davantage d’accompagnement. » apporte peu de valeur.
Un enseignement comme : « Après l’initiation du traitement, certains patients disposent des informations médicales nécessaires mais rencontrent des difficultés lorsqu’ils doivent les appliquer seuls dans leur quotidien. Cette période pourrait nécessiter un accompagnement plus opérationnel et accessible entre deux consultations. » permet déjà d’envisager une action.
9. Relier chaque insight à une décision
Un patient insight n’a de valeur opérationnelle que s’il peut influencer :
- une décision ;
- une hypothèse ;
- une priorisation ;
- un test.
Par exemple :
Insight
Les utilisateurs comprennent mal le rôle du pair-aidant avant leur premier échange.
Les utilisateurs comprennent mal le rôle du pair-aidant avant leur premier échange.
Décision possible
Modifier la présentation du programme.
Modifier la présentation du programme.
Test
Comparer deux versions de la page.
Comparer deux versions de la page.
KPI
Taux page → création de compte → rendez-vous pris.
Taux page → création de compte → rendez-vous pris.
L’objectif est de transformer un insight en décision, puis en action mesurable : Insight → Décision → Action → Mesure
C’est la logique développée plus largement dans notre article Expérience patient : comment passer du recueil des données à l’action ?.
10. Mesurer ce qui se passe après la décision
Un insight pertinent ne garantit pas qu’une solution fonctionnera.
Il permet de prendre une décision mieux informée.
Après l’action, il faut donc mesurer :
- l’usage ;
- l’expérience ;
- les comportements ;
- les outcomes lorsque cela est pertinent ;
- les éventuels effets non anticipés.
Voir également Comment mesurer l’impact d’un programme d’accompagnement patient ? KPI, méthodes et limites.
Où les patient insights peuvent-ils être utilisés ?
Selon le projet, ils peuvent contribuer à éclairer : La conception d’un programme patient
Identifier les besoins prioritaires, les moments pertinents et les interventions utiles.
L’amélioration d’un parcours
Identifier les points de friction ou les étapes de vulnérabilité.
Identifier les points de friction ou les étapes de vulnérabilité.
La stratégie d’information
Comprendre les questions réellement rencontrées et leur temporalité.
Comprendre les questions réellement rencontrées et leur temporalité.
L’expérience d’un dispositif
Identifier ce qui facilite ou freine l’utilisation.
Identifier ce qui facilite ou freine l’utilisation.
La recherche
Générer des hypothèses ou documenter certaines dimensions de l’expérience lorsqu’un cadre méthodologique adapté est défini.
Générer des hypothèses ou documenter certaines dimensions de l’expérience lorsqu’un cadre méthodologique adapté est défini.
Le développement des médicaments
Les données d’expérience patient sont aujourd’hui de plus en plus intégrées dans les réflexions sur le développement des médicaments, les outcomes pertinents, les préférences et certaines décisions réglementaires. L’EMA et la FDA ont développé plusieurs cadres méthodologiques sur ce sujet.² ⁴
Les données d’expérience patient sont aujourd’hui de plus en plus intégrées dans les réflexions sur le développement des médicaments, les outcomes pertinents, les préférences et certaines décisions réglementaires. L’EMA et la FDA ont développé plusieurs cadres méthodologiques sur ce sujet.² ⁴
Cela ne signifie toutefois pas que tout patient insight constitue automatiquement une donnée scientifique ou réglementaire utilisable.
Le niveau de preuve dépend toujours de la méthode qui a permis de le produire.
Ce qu’un patient insight ne permet pas d’affirmer
Un patient insight ne démontre pas automatiquement :
- une causalité ;
- l’efficacité d’un programme ;
- un bénéfice médical ;
- une amélioration de l’adhésion ;
- une amélioration de la qualité de vie ;
- une représentativité populationnelle.
Il peut en revanche permettre de :
- mieux comprendre ;
- générer une hypothèse ;
- identifier un besoin ;
- guider une décision ;
- concevoir une étude ou une intervention plus pertinente.
Cette distinction est essentielle.
De TOMO Connect à TOMO Insight : accompagner et comprendre
TOMO permet d’aborder l’expérience patient à travers deux dimensions complémentaires.
TOMO Connect
TOMO Connect permet aux patients d’échanger avec des pairs-aidants sélectionnés, formés et supervisés, dans un cadre complémentaire au parcours de soins.
Ces interactions peuvent notamment faire apparaître des sujets concernant :
- le quotidien avec la maladie ;
- les moments de difficulté ;
- les besoins d’information ;
- les questions qui apparaissent entre deux consultations ;
- certaines dimensions de qualité de vie ou de treatment burden.
TOMO Insight
TOMO Insight vise à structurer et analyser différentes sources de données issues des parcours et programmes.
Selon le projet, celles-ci peuvent notamment inclure :
- questionnaires ;
- PREMs ;
- PROMs ;
- données de parcours ;
- données d’usage ;
- données qualitatives ;
- conversations lorsque leur analyse est prévue dans le cadre défini et avec les conditions d’information et de consentement applicables.
L’objectif est de passer de données dispersées à des enseignements structurés permettant notamment de mieux identifier :
- les besoins non couverts ;
- les difficultés récurrentes ;
- les moments de friction ;
- certaines dimensions de qualité de vie ;
- le treatment burden ;
- certains signaux de décrochage ou de rupture dans les parcours.
La logique est la suivante :
Accompagner → Recueillir dans un cadre défini → Structurer → Analyser → Comprendre → Décider → Mesurer
Accompagner → Recueillir dans un cadre défini → Structurer → Analyser → Comprendre → Décider → Mesurer
Lorsque la question de recherche, la qualité des données et la méthodologie le permettent, certaines de ces données peuvent également contribuer à des travaux de recherche ou de génération de données en vie réelle.
Mais toute donnée collectée dans un programme TOMO n’est pas automatiquement de la RWE.
Le cadre méthodologique et la finalité du projet restent déterminants.
Vous disposez de nombreuses données patient mais avez du mal à en tirer des enseignements réellement exploitables ?
TOMO Insight aide à structurer différentes dimensions de l’expérience patient pour faire émerger des enseignements utiles aux programmes, aux parcours et, lorsque le cadre le permet, à la recherche.
Questions fréquentes
Qu’est-ce qu’un patient insight ?
Un patient insight est un enseignement construit à partir de l’analyse contextualisée de données ou d’expériences patient. Il permet de mieux comprendre un besoin, une difficulté ou un comportement et peut éclairer une décision.
Quelle différence entre une donnée patient et un patient insight ?
Une donnée correspond à une information recueillie : score, comportement, réponse ou verbatim. L’insight résulte de son analyse et de sa mise en contexte afin d’identifier ce qu’elle permet réellement de comprendre.
Un verbatim patient est-il un patient insight ?
Non. Un verbatim est une donnée qualitative. Il peut révéler un signal ou contribuer à produire un insight lorsqu’il est analysé et replacé dans son contexte.
Quelles données peut-on utiliser pour produire des patient insights ?
Entretiens, verbatim, questionnaires, PREMs, PROMs, études de préférences, données de parcours et d’usage ou autres données qualitatives peuvent être mobilisés selon la question étudiée.
Faut-il avoir beaucoup de données pour produire un insight ?
Pas nécessairement. Une étude qualitative portant sur un nombre limité de participants peut générer des enseignements très utiles. En revanche, leur portée doit rester cohérente avec la méthode utilisée et la population étudiée.
Comment savoir si un patient insight est fiable ?
Il faut examiner la qualité de la collecte, la population étudiée, le contexte, la méthode d’analyse et, lorsque cela est possible, la convergence avec d’autres sources.
Un patient insight constitue-t-il une preuve scientifique ?
Pas automatiquement. Il peut générer une hypothèse ou éclairer une décision. Pour soutenir une conclusion scientifique, clinique ou réglementaire, les données doivent répondre aux exigences méthodologiques correspondant à l’usage envisagé.
Références
1. U.S. Food and Drug Administration. Patient-Focused Drug Development Glossary. Définition des patient experience data, perspectives, préférences et données fournies par les patients.
Consulter la ressource
Consulter la ressource
2. European Medicines Agency. Multidisciplinary guidelines: Patient Experience Data (PED). Cadre européen relatif à l’intégration des données d’expérience patient dans le développement et l’évaluation des médicaments.
Consulter la ressource
Consulter la ressource
3. U.S. Food and Drug Administration. (2020). Patient-Focused Drug Development: Collecting Comprehensive and Representative Input. Guidance for Industry, FDA Staff, and Other Stakeholders.
Consulter la ressource
Consulter la ressource
4. U.S. Food and Drug Administration. (2022). Patient-Focused Drug Development: Methods to Identify What Is Important to Patients. Guidance for Industry, FDA Staff, and Other Stakeholders.
Consulter la ressource
Consulter la ressource
5. Janssens R, et al. (2023). How can patient preferences be used and communicated in the regulatory evaluation of medicinal products? Findings and recommendations from IMI PREFER and call to action. Frontiers in Pharmacology, 14:1192770. DOI: 10.3389/fphar.2023.1192770.
Consulter la ressource
Consulter la ressource
6. Vanneste A, Jankelevitch A, Lukeba L, et al. (2026). Patient experience data as a methodological and strategic innovation in clinical trial design. Drug Discovery Today, 31(5):104775. DOI: 10.1016/j.drudis.2026.104775.
Consulter la ressource
Consulter la ressource
7. Almeida D, Umuhire D, Gonzalez-Quevedo R, et al. (2024). Leveraging patient experience data to guide medicines development, regulation, access decisions and clinical care in the EU. Frontiers in Medicine, 11:1408636. DOI: 10.3389/fmed.2024.1408636.
Consulter la ressource
Consulter la ressource
