193 articles
Cet article présente le corpus SREDH-AICup, un ensemble de données cliniques bilingues (anglais et mandarin) annoté temporellement avec des millions d'entités d'informations de santé sensibles, conçu pour combler le manque de ressources publiques et faciliter la recherche sur la dé-identification de la parole médicale.
Cet article présente un pipeline d'informatique de santé reproductible basé sur Python qui simule et intègre des données cliniques, de biomarqueurs et pharmacocinétiques d'un essai oncologique précoce pour générer des jeux de données prêts à l'analyse, des visualisations et des modèles prédictifs exploratoires afin de soutenir la prise de décision.
Cette étude démontre que l'intégration de données structurées et de textes cliniques dans des modèles d'apprentissage multimodal permet de prédire avec précision l'exposition élevée aux opioïdes lors d'une hospitalisation, offrant ainsi un outil potentiel pour améliorer la gestion des opioïdes.
Les auteurs proposent le Time-Aware G-Transformer, une nouvelle méthode intégrant le calcul causal G et une attention consciente du temps pour prédire avec précision les effets de traitements sur des données cliniques longitudinales irrégulières, surpassant ainsi les approches existantes dans des scénarios de médecine personnalisée.
Cette étude à méthodes mixtes menée auprès de cliniciens et d'experts techniques en Afrique de l'Ouest révèle une forte préférence pour des cadres de gouvernance de l'IA indépendants, transparents et dotés de mécanismes de surveillance post-déploiement robustes afin de garantir une intégration clinique sûre et équitable.
Cette étude démontre qu'un cadre de modélisation hybride combinant un classifieur à gradient boosté et un modèle de Markov semi-caché permet de classifier avec précision les quatre phases du cycle menstruel à partir uniquement de symptômes auto-rapportés, offrant ainsi une solution de suivi de santé reproductive peu coûteuse et sans dispositif.
Cette étude pilote prospective démontre que l'assistant clinique IA agentic « DR. INFO » permet aux médecins portugais de réaliser des économies de temps significatives et d'améliorer leur soutien à la décision clinique, générant un score de recommandation (NPS) exceptionnel de 81,2 sans aucun détracteur.
Ce papier présente MedScope, un cadre de référence léger et open-source pour évaluer systématiquement les modèles de langage de petite taille sur des questions médicales à choix multiples, en mettant l'accent sur une analyse multidimensionnelle qui révèle leurs limites actuelles pour un déploiement autonome dans des scénarios à haut risque.
Cette étude révèle un déséquilibre marqué dans la gouvernance du partage de données des essais cliniques en Europe, les sponsors privés fournissant des politiques plus détaillées et accessibles que les sponsors publics, dont les engagements restent souvent généraux et peu opérationnels.
Cette étude présente et évalue un pipeline de reconnaissance d'entités pour les 4M (Médicaments, Mentation, Mobilité, Ce qui compte) dans les messages textuels cliniques des maisons de retraite, combinant un classificateur de tokens Bio-ClinicalBERT affiné et une révision par des modèles de langage open-source locaux pour améliorer la précision de l'extraction d'informations structurées sans nécessiter de ressources de calcul importantes.
Cette étude démontre que des petits modèles de langage peuvent extraire efficacement et de manière privée des données longitudinales, telles que la créatinine sérique, à partir de notes cliniques françaises non structurées pour le suivi des maladies rares.
Le MedResearchBench est le premier benchmark conçu spécifiquement pour évaluer les agents d'IA sur des tâches de recherche médicale clinique, en comblant le vide des évaluations actuelles axées sur les sciences fondamentales grâce à un ensemble de 16 tâches multidisciplinaires basées sur des données publiques et des critères d'évaluation cliniques rigoureux.
Cet article présente BSOAD, la première ontologie conçue pour représenter et harmoniser systématiquement les facteurs comportementaux et sociaux liés à la maladie d'Alzheimer et aux démences apparentées, en intégrant des sources hétérogènes et en validant sa structure grâce à une évaluation experte et assistée par l'intelligence artificielle.
Ce papier présente le pipeline VaaS, une approche multi-couches qui réduit drastiquement les hallucinations de citations dans les synthèses scientifiques assistées par l'IA, atteignant un taux d'erreur quasi nul et un coût de production inférieur à 1 dollar par gène grâce à une validation rigoureuse sur une base de données de maladies rares.
Cette étude présente ClinicalTAAT, un transformateur sensible au temps qui surpasse les modèles existants pour analyser les parcours de soins complexes et hétérogènes en apprenant des représentations interprétables de séquences d'événements cliniques, permettant ainsi une évaluation et une optimisation des processus de santé plus efficaces.
L'étude SwissPedGrowth démontre la faisabilité de l'extraction de données anthropométriques de haute qualité à partir des dossiers médicaux électroniques suisses pour la recherche pédiatrique, tout en soulignant les défis persistants liés à l'exhaustivité et à l'harmonisation de ces données entre les hôpitaux.
Cette étude introduit un cadre diagnostique et un échafaudage structuré (SIPS) pour révéler et mesurer les pathologies de raisonnement des modèles d'IA dans les décisions cliniques séquentielles, démontrant que la stabilisation des hypothèses ne garantit pas la convergence finale et que ces instruments permettent d'auditer la transparence et la sécurité de l'IA au-delà de la simple précision.
Cette étude propose MOE-ECG, un cadre d'ensemble multi-objectif optimisant à la fois la performance prédictive et la diversité des modèles pour détecter de manière robuste et précise la fibrillation auriculaire à partir de segments d'ECG courts.
Cette étude prospective démontre qu'un flux de travail de présélection de patients assisté par une intelligence artificielle générative et supervisé par des humains, déployé sur 26 essais cliniques, a atteint des performances élevées avec un coût minimal, tout en s'améliorant continuellement grâce à un apprentissage automatisé basé sur les retours des coordonnateurs.
Le HealthFormer est un modèle de Transformer à double niveau conçu pour les dossiers médicaux électroniques irréguliers, qui intègre la structure des événements et le temps écoulé via un pré-entraînement auto-supervisé à grande échelle pour générer des représentations transférables et performantes dans la prédiction de cancers.