Open Medic 2025 — médicaments remboursés en pharmacie de ville

Données - Assurance Maladie (Cnam)

source(here::here("_rinit.R"))
invisible(Sys.setlocale("LC_TIME", "fr_FR.UTF-8"))
# cd ~/iCloud/website/data/cnam; /usr/local/bin/R -e 'quarto::quarto_render("open_medic_2025.qmd")'
# (données : Rscript --vanilla cnam.R)

knitr::opts_chunk$set(echo = TRUE, message = FALSE, warning = FALSE,
                      fig.width = 9, fig.height = 5.5, dpi = 150)
library(dplyr); library(tidyr); library(ggplot2); library(stringr)

path <- here::here("data", "cnam", "open_medic_2025.parquet")
d <- arrow::read_parquet(path)

mdd <- scales::label_number(scale = 1e-9, suffix = " Md€", accuracy = 0.1, big.mark = " ", decimal.mark = ",")
mde <- scales::label_number(scale = 1e-6, suffix = " M€", accuracy = 1, big.mark = " ", decimal.mark = ",")
pct <- scales::label_percent(accuracy = 0.1, decimal.mark = ",")
nb  <- scales::label_number(big.mark = " ", decimal.mark = ",")

theme_cnam <- theme_minimal(base_size = 12) +
  theme(plot.title = element_text(face = "bold", size = 13), plot.title.position = "plot",
        plot.subtitle = element_text(colour = "grey35"),
        panel.grid.minor = element_blank(), legend.position = "bottom")
col1 <- "#1b7f79"; col2 <- "#c0392b"

# barres horizontales triées
barh <- function(df, lab, val, fmt = mdd, fill = col1, ...) {
  df |>
    mutate(.l = forcats::fct_reorder({{ lab }}, {{ val }})) |>
    ggplot(aes(.l, {{ val }})) +
    geom_col(fill = fill, ...) +
    geom_text(aes(label = fmt({{ val }})), hjust = -0.08, size = 3) +
    coord_flip() +
    scale_y_continuous(labels = fmt, expand = expansion(mult = c(0, 0.2))) +
    labs(x = NULL, y = NULL) + theme_cnam
}

Last data update: 28 sept. 2026, 23:17

Last compile: 28 sept. 2026, 23:35

om <- arrow::open_dataset(path)

lab_reg <- tibble::tribble(~BEN_REG, ~region,
  5, "DROM", 11, "Île-de-France", 24, "Centre-Val de Loire", 27, "Bourgogne-Franche-Comté",
  28, "Normandie", 32, "Hauts-de-France", 44, "Grand Est", 52, "Pays de la Loire", 53, "Bretagne",
  75, "Nouvelle-Aquitaine", 76, "Occitanie", 84, "Auvergne-Rhône-Alpes",
  93, "Provence-Alpes-Côte d'Azur et Corse", 99, "Inconnue")
lab_age  <- tibble::tribble(~age, ~tranche, 0, "0-19 ans", 20, "20-59 ans", 60, "60 ans et +", 99, "Inconnu")
lab_sexe <- tibble::tribble(~sexe, ~sexe_lib, 1, "Hommes", 2, "Femmes", 9, "Inconnu")

tot <- om |> summarise(lignes = n(), boites = sum(BOITES), rem = sum(REM), bse = sum(BSE)) |> collect()

Open Medic recense les médicaments délivrés en pharmacie de ville et remboursés par l’Assurance maladie (tous régimes, France entière) en 2025, croisés par classe ATC, présentation (code CIP13), âge (3 tranches), sexe, région de résidence du bénéficiaire et spécialité du prescripteur. Le fichier compte 1 873 062 lignes, pour 27,4 Md€ remboursés (base de remboursement : 31,4 Md€, soit un taux moyen de 87,3%) et 2 327 millions de boîtes.

Note

Les accents des libellés (l_ATC*, l_cip13) sont perdus dans le CSV d’origine (remplacés par ?). Les montants sont en euros ; le champ exclut la rétrocession hospitalière et les médicaments délivrés à l’hôpital.

Dépense par grande classe thérapeutique (ATC1 / ATC2)

om |> group_by(ATC1, l_ATC1) |> summarise(rem = sum(REM), bse = sum(BSE)) |> collect() |> ungroup() |>
  mutate(l = paste0(ATC1, " — ", str_to_sentence(l_ATC1))) |>
  barh(l, rem) +
  labs(title = "Montant remboursé par groupe anatomique principal (ATC1), 2025")

om |> group_by(ATC2, l_ATC2) |> summarise(rem = sum(REM)) |> collect() |> ungroup() |>
  slice_max(rem, n = 20) |>
  mutate(l = paste0(ATC2, " — ", str_to_sentence(str_trunc(l_ATC2, 55)))) |>
  barh(l, rem) +
  labs(title = "Les 20 sous-groupes thérapeutiques (ATC2) les plus remboursés")

Substances et produits les plus remboursés

top_sub <- om |> group_by(ATC5, l_ATC5) |>
  summarise(rem = sum(REM), boites = sum(BOITES), bse = sum(BSE)) |> collect() |> ungroup() |>
  arrange(desc(rem)) |> slice_head(n = 25)

top_sub |>
  transmute(ATC5, Substance = str_to_sentence(l_ATC5), `Remboursé` = rem, `Boîtes` = boites,
            `Remboursé / boîte` = rem / boites, `Taux de remb.` = rem / bse) |>
  gt::gt() |>
  gt::fmt_number(c(`Remboursé`, `Boîtes`), decimals = 0, sep_mark = " ") |>
  gt::fmt_number(`Remboursé / boîte`, decimals = 2) |>
  gt::fmt_percent(`Taux de remb.`, decimals = 1) |>
  gt::tab_options(table.width = "100%")

ATC5	Substance	Remboursé	Boîtes	Remboursé / boîte	Taux de remb.
N07XX08	Tafamidis	1 071 300 241	148 965	7,191.62	98.5%
B01AF02	Apixaban	885 426 945	16 032 627	55.23	93.4%
S01LA05	Aflibercept	604 904 031	994 163	608.46	99.8%
L04AB04	Adalimumab	482 161 188	1 139 885	422.99	96.6%
R07AX32	Ivacaftor + tezacaftor + elexacaftor	473 329 536	51 878	9,123.90	99.5%
D11AH05	Dupilumab	434 809 203	454 405	956.88	81.2%
L02BB04	Enzalutamide	403 071 117	140 369	2,871.51	99.8%
A10BK01	Dapagliflozine	388 476 382	10 696 814	36.32	97.1%
N02BE01	Paracetamol	362 981 561	420 269 526	0.86	73.4%
A10BJ06	Semaglutide	348 097 704	4 677 641	74.42	95.7%
C09DX04	Valsartan + sacubitril	346 711 738	3 522 874	98.42	97.5%
L01EB04	Osimertinib	334 255 776	68 167	4,903.48	99.5%
L02BB05	Apalutamide	322 791 490	127 194	2,537.79	99.8%
J07BK03	Antigene purifie de virus du zona	319 313 987	2 324 044	137.40	72.9%
A10BJ05	Dulaglutide	300 251 141	3 758 813	79.88	98.4%
B02BX06	Emicizumab	287 406 633	55 042	5,221.59	99.2%
L01EL01	Ibrutinib	276 349 837	72 180	3,828.62	99.8%
L04AC05	Ustekinumab	264 782 532	190 577	1,389.37	96.5%
R07AX02	Ivacaftor	258 197 112	49 142	5,254.10	99.5%
J05AR20	Emtricitabine + tenofovir alafenamide + bictegravir	242 351 895	288 424	840.26	96.5%
L01EF03	Abemaciclib	223 888 547	132 121	1,694.57	99.2%
L01EJ01	Ruxolitinib	218 974 888	81 931	2,672.67	99.7%
L01EF01	Palbociclib	212 195 432	129 649	1,636.69	99.6%
C10AX13	Evolocumab	190 581 482	901 397	211.43	97.5%
A10AE04	Insuline glargine	181 504 308	4 875 807	37.23	97.9%

om |> group_by(CIP13, l_cip13) |> summarise(rem = sum(REM)) |> collect() |> ungroup() |>
  slice_max(rem, n = 20) |>
  mutate(l = str_to_sentence(str_trunc(l_cip13, 50))) |>
  barh(l, rem, fill = col2) +
  labs(title = "Les 20 présentations (CIP13) les plus remboursées")

Le taux de remboursement moyen (REM / BSE) varie fortement d’une classe à l’autre : il reflète les taux de prise en charge (100 %, 65 %, 30 %, 15 %) des vignettes de médicaments.

om |> group_by(ATC2, l_ATC2) |> summarise(rem = sum(REM), bse = sum(BSE)) |> collect() |> ungroup() |>
  filter(rem > 1e8) |>
  mutate(taux = rem / bse, l = paste0(ATC2, " — ", str_to_sentence(str_trunc(l_ATC2, 50)))) |>
  barh(l, taux, fmt = pct, fill = "#8e6cb8") +
  labs(title = "Taux de remboursement moyen, sous-groupes > 100 M€ remboursés")

Qui consomme ? Âge, sexe, région

om |> group_by(age, sexe) |> summarise(rem = sum(REM)) |> collect() |> ungroup() |>
  left_join(lab_age, by = "age") |> left_join(lab_sexe, by = "sexe") |>
  filter(sexe %in% 1:2) |>
  ggplot(aes(tranche, rem, fill = sexe_lib)) +
  geom_col(position = "dodge") +
  scale_y_continuous(labels = mdd) +
  scale_fill_manual(values = c(Hommes = col1, Femmes = col2)) +
  labs(x = NULL, y = NULL, fill = NULL, title = "Montant remboursé par tranche d'âge et sexe") + theme_cnam

Les 60 ans et plus concentrent près de 60 % du remboursé (les 20-59 ans un tiers, les moins de 20 ans 7 %) : le fichier ne donne pas de populations, on ne calcule donc pas de dépense par habitant (voir la base de population INSEE).

om |> group_by(BEN_REG) |> summarise(rem = sum(REM)) |> collect() |> ungroup() |>
  left_join(lab_reg, by = "BEN_REG") |>
  mutate(region = coalesce(region, "Inconnue")) |>
  barh(region, rem) + labs(title = "Montant remboursé par région de résidence du bénéficiaire")

Prescripteurs

spe <- tibble::tribble(~PSP_SPE, ~prescripteur,
  1, "Médecine générale libérale", 2, "Anesthésie-réanimation", 3, "Cardio-vasculaire", 4, "Chirurgie libérale",
  5, "Dermatologie", 6, "Radiologie", 7, "Gynécologie-obstétrique", 8, "Gastro-entérologie", 9, "Médecine interne",
  11, "ORL", 12, "Pédiatrie", 13, "Pneumologie", 14, "Rhumatologie", 15, "Ophtalmologie", 17, "Psychiatrie",
  18, "Stomatologie", 31, "Médecine physique et réadaptation", 32, "Neurologie", 35, "Néphrologie",
  37, "Anatomo-cytopathologie", 38, "Directeur de laboratoire médecin", 42, "Endocrinologie",
  90, "Prescripteurs salariés (surtout hôpitaux publics)", 98, "Ville hors médecins (dentistes, auxiliaires…)",
  99, "Inconnu")
om |> group_by(PSP_SPE) |> summarise(rem = sum(REM)) |> collect() |> ungroup() |>
  left_join(spe, by = "PSP_SPE") |> mutate(prescripteur = coalesce(prescripteur, as.character(PSP_SPE))) |>
  barh(prescripteur, rem) + labs(title = "Montant remboursé selon la spécialité du prescripteur")

Les prescripteurs salariés (essentiellement hospitaliers : traitements de ville prescrits à l’hôpital, dont les médicaments innovants très coûteux — tafamidis, apixaban, aflibercept… en tête des substances) pèsent près de la moitié du remboursé (49 %), devant les généralistes libéraux (31 %).

Codes « générique »

om |> group_by(TOP_GEN) |> summarise(rem = sum(REM), boites = sum(BOITES)) |> collect() |> ungroup() |>
  mutate(part_rem = rem / sum(rem), part_boites = boites / sum(boites)) |>
  gt::gt() |>
  gt::fmt_number(c(rem, boites), decimals = 0, sep_mark = " ") |>
  gt::fmt_percent(c(part_rem, part_boites), decimals = 1)

TOP_GEN	rem	boites	part_rem	part_boites
0	19 647 605 651	1 068 921 549	71.6%	45.9%
1	4 446 797 649	1 073 361 159	16.2%	46.1%
4	3 348 033 842	184 520 569	12.2%	7.9%
9	5 057	1 748	0.0%	0.0%

Dans le fichier 2025 TOP_GEN est numérique (0 = sans objet, 9 = inconnu). Le code 1 pèse 46 % des boîtes mais seulement 16 % du remboursé (médicaments peu chers, profil typique des génériques) ; le code 4 8 % des boîtes et 12 % du remboursé. La correspondance exacte des codes est à confirmer avec le lexique Open Medic.

Source

Caisse nationale de l’Assurance Maladie (Cnam) — Open Medic (data.ameli.fr), base complète 2025. Conversion Excel → Parquet : cnam.R (dossier data/cnam).