193 articles
Cette étude révèle que l'assistant IA finlandais basé sur la génération augmentée par récupération (RAG) présente des biais de genre significatifs et cliniquement pertinents, notamment en associant de manière stéréotypée les variantes féminines aux soins infantiles et à la santé reproductive, des erreurs qui se manifestent tant au niveau de la récupération des données que de la génération du modèle.
Cette étude présente un cadre de synthèse de données pour un essai clinique oncologique de phase II qui intègre des réponses radiographiques, de l'ADN tumoral circulant et des données de sécurité pour démontrer la faisabilité d'un signal d'efficacité biologiquement plausible et orienté vers la prise de décision.
Cette étude démontre que la substitution des images radiographiques par des rapports écrits dans les modèles prédictifs multimodaux altère significativement la hiérarchisation des risques de mortalité, révélant que les rapports cliniques ne capturent pas intégralement les informations pronostiques présentes dans les images brutes.
Cette analyse scientométrique de 928 études sur l'IA appliquée aux radiographies thoraciques révèle une domination écrasante des pays à revenu élevé dans la production scientifique et la constitution des jeux de données, soulignant le risque d'exacerber les inégalités de santé en raison du manque de diversité dans les populations représentées.
Cette étude multiméthode démontre que la perception de la sécurité par les patients et leurs proches influence fortement le choix des unités de crise en santé comportementale, révélant à la fois des convergences et des divergences significatives avec les évaluations de risques générées par l'intelligence artificielle.
Cette étude internationale révèle que, bien que la majorité des réviseurs de revues médicales soient familiers avec les chatbots d'IA, leur utilisation dans l'examen par les pairs reste limitée en raison de préoccupations éthiques et de fiabilité, tout en soulignant un fort besoin de formation et de directives claires.
Cet article présente un flux de travail de génération de preuves à haut débit utilisant des données liées de dossiers médicaux électroniques et de réclamations, qui applique une architecture de mesure standardisée pour produire des évaluations exhaustives des effets des traitements sur des milliers de résultats et sous-populations, favorisant ainsi une base de preuves partagée pour la médecine de précision.
Cette étude présente un ensemble bayésien adaptatif à la prévalence intégrant des autoencodeurs variationnels et une quantification de l'incertitude par entropie, qui a démontré une sensibilité de 100 % sur un ensemble de validation et une sensibilité de 69,2 % avec une spécificité parfaite de 100 % lors d'un audit global, établissant ainsi un système de prédiction de mortalité périopératoire robuste et exempt de faux positifs.
Le papier présente TELF, un modèle d'apprentissage profond léger et interprétable qui, grâce à une architecture d'encodeur temporel avec fusion tardive, surpasse les méthodes traditionnelles pour prédire le risque de maladies à partir de données longitudinales tout en évitant les coûts de pré-entraînement et en révélant des trajectoires cliniques significatives.
En s'appuyant sur des enregistrements vocaux de plus de 7 000 adultes, cette étude démontre que l'âge vocal constitue un biomarqueur d'âge biologique non invasif et évolutif, corrélé à des facteurs de risque métaboliques et physiologiques.
Cette étude présente le « Digital Registrar », un cadre de travail axé sur les schémas qui utilise des modèles de langage locaux pour transformer de manière fiable et respectueuse de la vie privée les rapports de pathologie chirurgicale en données structurées conformes aux registres du cancer, comblant ainsi le fossé entre le texte libre et l'analyse secondaire.
Bien que l'expression de CD276 soit associée au grade des méningiomes, cette étude démontre que sa valeur prédictive est faible en tant que gène isolé et qu'elle doit être interprétée comme un marqueur biologique d'intérêt au sein d'une structure transcriptionnelle multigénique plus large, dont la performance et la stabilité reposent sur un ensemble de gènes plus vaste.
Cette étude évalue la reproductibilité et la robustesse de trois grands modèles de langage (Llama 3.3, Llama 4 et MedGemma) pour l'extraction d'informations cliniques sur la mobilité, démontrant que la stabilité peut être significativement améliorée par une vérification de cohérence interne (majority voting) malgré l'impact négatif de la température et des variations de formulation des prompts.
Cette étude démontre que des modèles d'apprentissage automatique peuvent estimer avec une précision cliniquement significative les scores du questionnaire KCCQ à partir de données de dossiers médicaux électroniques, permettant ainsi d'évaluer l'état de santé des patients insuffisants cardiaques même en l'absence de données déclarées par les patients.
Cette étude démontre que les modèles de langage de grande taille, notamment les versions « mini » récentes, surpassent les systèmes basés sur des règles pour l'extraction des déterminants sociaux de la santé à partir de notes cliniques non structurées, tout en proposant une approche par fusion tardive qui améliore encore les performances au niveau des domaines.
En affinant de manière supervisée un modèle de langage instruct Qwen3-4B sur 500 000 notes cliniques dé-identifiées, cette étude démontre que l'intégration de connaissances médicales spécialisées améliore significativement les performances sur des tâches cliniques réelles sans compromettre les capacités générales du modèle, tout en identifiant et en résolvant des modes d'échec spécifiques comme l'effondrement des étiquettes.
Ce papier présente Med-ICE, un cadre autonome multi-agents qui améliore la fiabilité des modèles de langage en médecine grâce à un mécanisme de consensus sémantique itératif, éliminant ainsi les hallucinations et surpassant les méthodes existantes sur des benchmarks cliniques exigeants.
Cette étude introduit le benchmark MedResearchBench pour évaluer six systèmes d'IA médicale et démontre que la vérification programmatique des citations, plutôt que l'évaluation subjective par LLM, est déterminante pour garantir l'intégrité scientifique et améliorer la fiabilité des manuscrits générés.
Cette étude démontre que l'apprentissage multi-tâches axé uniquement sur la charge composite est la méthode la plus efficace pour modéliser le fardeau psychosocial dans les textes de soutien aux patients atteints de cancer, tandis que l'utilisation de labels souples dérivés de modèles de langage génératif s'avère moins performante que l'apprentissage supervisé par labels durs pour la classification des émotions.
Cette étude démontre que des modèles d'apprentissage automatique appliqués aux caractéristiques acoustiques des voyelles, en particulier la fréquence fondamentale, peuvent distinguer avec une forte précision (89 %) les adultes autistes des adultes neurotypiques, offrant ainsi un outil prometteur et interprétable pour le dépistage de l'autisme.