Certains assureurs américains ont commencé à intégrer des données biométriques dans leurs évaluations de risque. Le marché mondial des technologies biométriques en santé atteindra 11,57 milliards de dollars en 2026, selon Towards Healthcare, avec une croissance annuelle composée de 17,34 %. La promesse est réelle : des données physiologiques objectives à la place de variables administratives approximatives. Mais quand l’absence de données devient elle-même une pénalité, la discrimination change d’adresse sans disparaître.

L’essentiel

  • Le marché biométrique santé mondial atteint 11,57 milliards de dollars en 2026 et pourrait dépasser 48,77 milliards en 2035 selon Towards Healthcare (CAGR de 17,34 %).
  • Humana et UnitedHealthcare proposent des programmes de bien-être et de récompenses utilisant notamment des données d’activité.
  • Le Commonwealth Fund 2026 confirme qu’aucun État américain n’a éliminé les disparités d’accès aux soins selon la race ou l’origine ethnique.
  • Les populations sans connectivité fiable, sans appareils de mesure ou sans accès aux infrastructures numériques risquent de disposer de dossiers biométriques moins complets.
  • Le régulateur n’a pas encore fixé le seuil à partir duquel une granularité croissante des données crée une classe de sans-assurabilité invisible.

Le dossier médical avait ses limites

Pendant des décennies, les assureurs américains ont tarifé le risque à partir de variables indirectes : âge, sexe, code postal, antécédents déclarés. Ces variables étaient grossières. Un homme de quarante-cinq ans vivant dans un quartier défavorisé pouvait avoir une condition physique meilleure que son voisin de trente ans sédentaire. Le dossier administratif ne savait pas faire cette différence.

La biométrie promet de la corriger. Un capteur de fréquence cardiaque, un accéléromètre, un oxymètre de pouls : ces dispositifs mesurent ce que le dossier déclarait par approximation. Humana a lancé des programmes d’incitation liés aux données de montres connectées. UnitedHealthcare Motion utilise des objectifs d’activité pour des récompenses. La logique commerciale est claire : mieux mesurer pour mieux discriminer, au sens statistique d’abord, au sens économique ensuite.

Towards Healthcare évalue la part nord-américaine à environ 42 % du marché mondial en 2025. L’Amérique du Nord ne représente ni 42 % de la population mondiale ni 42 % des malades chroniques : elle concentre les assureurs privés qui disposent à la fois des moyens d’investir dans ces technologies et des incitations financières les plus directes à affiner leur segmentation.

La signification du mot « objectif » quand la machine apprend

Le mot-clé de ce marché est “objectif”. Les données physiologiques sont présentées comme neutres parce qu’elles mesurent un signal physique réel : un battement de cœur, une distance parcourue, une saturation en oxygène. L’argument a de la force. Un podomètre ne sait pas si vous êtes noir ou blanc, riche ou pauvre.

Mais les algorithmes entraînés sur ces données ne sont pas séparables des populations qui ont produit les données d’apprentissage. Des études, notamment publiées dans le New England Journal of Medicine, ont documenté que les oxymètres de pouls surestimaient la saturation en oxygène chez les patients à peau foncée, produisant des mesures incorrectes qui ont retardé des traitements pendant la pandémie de Covid-19. Le capteur était objectif. Le biais était structurel.

Ce mécanisme diffère de la discrimination intentionnelle et, précisément pour cette raison, se révèle plus difficile à contester. Quand un assureur refuse une couverture ou applique une surprime en invoquant un « score de risque physiologique », le plaignant peut devoir démontrer une pratique identifiable, un effet disparate et un lien causal ; les exigences d’accès au modèle dépendent de la procédure et du droit applicables. Certaines protections en matière de discrimination, notamment Title VI tel qu’interprété judiciairement, requièrent l’intention, tandis que Title VII reconnaît explicitement le disparate impact dans l’emploi.

Le Commonwealth Fund mesure ce que les algorithmes ne verront pas

Le State Health Disparities Report 2026 du Commonwealth Fund arrive avec un constat stable depuis plusieurs cycles : aucun État américain n’a éliminé les disparités d’accès aux soins selon la race ou l’origine ethnique. Les écarts portent sur la mortalité infantile, les maladies chroniques non diagnostiquées, le délai avant premier diagnostic de cancer.

Ces disparités incluent des écarts d’accès importants, mais proviennent de causes multifactorielles, notamment racisme structurel, conditions sociales, couverture et traitement inégal. Une femme noire de quarante ans vivant dans un désert médical rural n’a pas accès aux mêmes dépistages qu’une femme blanche de quarante ans dans une zone urbaine bien couverte. Son dossier biométrique sera moins fourni en raison des inégalités d’accès documentées aux infrastructures de mesure et de dépistage.

La substitution du dossier administratif par la biométrie produit un effet contre-intuitif. Le dossier administratif, aussi grossier soit-il, enregistrait les actes médicaux réels : une consultation, une hospitalisation, une ordonnance. La biométrie continue enregistre les comportements et les physiologies de ceux qui possèdent les appareils permettant d’être mesurés. La donnée biométrique creuse les inégalités d’assurance santé : des dynamiques comparables se développent sur le marché américain. Le Commonwealth Fund mesure chaque année l’état de ce terrain, déjà inégal avant l’arrivée de ces technologies.

L’absence de données comme pénalité implicite

Dans ce marché, les usages comprennent l’identification, l’authentification, le contrôle d’accès et la prévention de fraude ; la continuité de mesure n’en résume pas à elle seule l’innovation. Un bilan de santé annuel est une photographie ; une montre connectée est un film. Les modèles de risque construits sur des données continues offrent une granularité supérieure à ceux construits sur des bilans ponctuels.

Mais cette précision exige généralement une connectivité pour transmettre et synchroniser les données, bien que la mesure elle-même ne la requière pas nécessairement. Une montre Apple Watch coûte entre 250 et 800 dollars. Un smartphone récent capable de collecter des données de santé fiables représente un investissement comparable. En 2025, 34,5 millions d’Américains vivaient sous le seuil officiel de pauvreté fédéral. Les personnes à faible revenu rencontrent plus souvent des obstacles à la connexion fiable, aux appareils et aux compétences numériques nécessaires à certains systèmes de collecte continue.

Une couverture réseau insuffisante peut compromettre la transmission continue des données dans certaines zones rurales.

Les assureurs qui proposent des réductions de prime en échange de données physiologiques présentent le dispositif comme volontaire et incitatif. Mais un dispositif “volontaire” dans un marché où les primes de base augmentent structurellement produit une pression réelle sur ceux qui ne participent pas. Le non-partage de données ne peut pas, dans les marchés individuel et petits groupes soumis à l’ACA, servir directement à fixer une prime selon l’état de santé ; des incitatifs de bien-être collectifs restent possibles sous conditions. Et ce coût affecte particulièrement ceux dont les profils de risque ne bénéficient pas de données biométriques continues.

Ce phénomène rejoint une dynamique plus large documentée dans d’autres secteurs. Réguler avant d’adopter coûte de plus en plus cher : le délai entre le déploiement d’une technologie et la mise en place de garde-fous crée des fenêtres pendant lesquelles les effets non voulus s’installent et deviennent difficiles à dénouer.

La gouvernance des données qui fixent le prix, de 2026 à 2035

Le marché mondial devrait passer de 11,57 milliards de dollars en 2026 à 48,77 milliards en 2035 selon Towards Healthcare. Cette projection repose notamment sur les usages d’identification, de sécurité, de prévention de la fraude et d’intégration numérique dans les soins. Elle ouvre trois trajectoires plausibles, distinctes par la posture réglementaire adoptée.

Dans la première trajectoire, la régulation suit le déploiement avec un décalage habituel de cinq à sept ans. Pendant cette fenêtre, les modèles de tarification biométrique s’installent et créent des situations acquises : des cohortes d’assurés dont le contrat a été construit sur des données continues, et des populations non mesurées, pour lesquelles l’absence de données biométriques ne constitue pas, dans les marchés individuel et petits groupes régis par l’ACA, un facteur autorisé de tarification. Quand le régulateur intervient, il trouve un marché structuré autour de pratiques qu’il doit démêler sans rompre les contrats en cours. L’Affordable Care Act a montré la difficulté de corriger après le fait : certaines dispositions réglementaires d’application de ses provisions anti-discrimination ont fait l’objet de suspensions ou d’injonctions judiciaires.

Dans la deuxième trajectoire, le régulateur fédéral ou un bloc d’États intervient avant que les pratiques ne s’uniformisent, en imposant deux contraintes symétriques : une obligation de transparence algorithmique pour les modèles de tarification biométrique, et une interdiction de pénaliser implicitement l’absence de données. Cette seconde contrainte est la plus difficile à opérationnaliser, parce qu’elle demande de distinguer une prime calculée sur des données physiologiques d’une prime calculée sur l’absence de données physiologiques, deux résultats qui peuvent produire le même chiffre par des chemins différents. La Federal Trade Commission a des outils d’enquête sur les pratiques commerciales déloyales et a déjà énoncé une politique sur les données biométriques et engagé des actions relatives aux données de santé, mais son cadre spécifique aux algorithmes de santé demeure partiel.

La troisième trajectoire est celle d’une régulation par les données elles-mêmes : des programmes publics qui élargissent la collecte biométrique aux populations sous-représentées, de façon à ce que les modèles d’apprentissage incluent une diversité physiologique et socioéconomique suffisante pour réduire les biais structurels. Le National Institutes of Health a lancé l’initiative All of Us dans cet esprit, en cherchant à constituer une base de données génomiques et physiologiques représentative de la diversité américaine. Si des assureurs devaient être contraints d’intégrer ces données dans leurs modèles, ou simplement incités à le faire, la qualité de la représentation dans les données d’entraînement changerait de nature.

Chacune de ces trajectoires produit des besoins collectifs distincts. La première demande une capacité de rétroaction réglementaire rapide une fois les dommages documentés. La deuxième exige une expertise publique en audit algorithmique que les régulateurs américains ne possèdent pas encore à l’échelle nécessaire. La troisième suppose un investissement public dans des infrastructures de données de santé dont le financement est politiquement contesté.

Les signaux à suivre sont concrets : la vitesse à laquelle les États, plutôt que le fédéral, adoptent des lois sur la confidentialité des données de santé biométrique ; l’évolution des pratiques de Humana et UnitedHealth sous pression des procès collectifs ; et la trajectoire de l’initiative All of Us, qui donnera dans les trois prochaines années une première indication sur la volonté politique de constituer des bases de données représentatives comme contrepoids aux bases privées.

Les précédents qui orientent sans trancher

L’assurance automobile a traversé une mutation comparable. L’introduction des boîtiers télématiques, qui mesurent la conduite réelle au lieu de l’âge et du code postal, a été présentée comme une objectivation du risque. Des analyses menées au Royaume-Uni et aux États-Unis indiquent que les conducteurs des quartiers défavorisés, qui circulent davantage la nuit et sur des routes plus denses, ont rencontré des difficultés avec les modèles télématiques. Leurs profils de risque reflétaient davantage des configurations routières statistiquement plus risquées que des comportements au volant moins sûrs.

Le secteur de l’assurance santé a une complexité supplémentaire : la santé est à la fois un bien individuel et un bien collectif. Un assureur automobile peut arguer qu’il ne fait que refléter le risque statistique de chaque conducteur. Un assureur santé opère dans un système où l’accès aux soins détermine directement la mortalité, et où le Commonwealth Fund établit des disparités géographiques de soins et de résultats à l’échelle des États. L’héritage reprend sa place de premier déterminant du patrimoine : la concentration des avantages sur ceux qui partent déjà en meilleure position est un phénomène transversal, pas propre à l’assurance santé.

La différence entre une technologie qui réduit les inégalités et une technologie qui les cristallise n’est pas dans le capteur. Elle est dans les règles qui encadrent ce qu’on peut faire des données qu’il produit.

Sources

  1. Coherent Market Insights – Healthcare Biometrics Market (2026)
  2. Commonwealth Fund – 2026 State Health Disparities Report (commonwealthfund.org)
  3. National Institutes of Health – Initiative All of Us Research Program (allofus.nih.gov)
  4. Toward Healthcare – données de marché biométrique santé Amérique du Nord (2026)