193 articles
Cette étude propose l'utilisation de l'IA explicable sur une nouvelle cohorte portugaise pour identifier de nouveaux déterminants de la fragilité et améliorer les outils de dépistage des chutes et de la sarcopénie chez les personnes âgées, tout en soulignant les défis liés aux biais de sélection et aux données manquantes.
Cette étude démontre que la sélection des seuils de probabilité pour les modèles d'IA clinique, comme la prédiction des exacerbations de l'asthme, doit être traitée comme un processus de gouvernance organisationnelle intégrant des jugements de valeur et des contraintes opérationnelles plutôt que comme une simple optimisation statistique.
Cette étude présente un jumeau numérique bayésien gouverné pour la maladie de Parkinson, capable de prédire la progression de la maladie avec des garanties de fiabilité explicites en supprimant automatiquement les prévisions lorsque les critères de confiance ne sont pas remplis, assurant ainsi une équité et une traçabilité clinique.
Cette étude démontre que l'intégration de données socio-environnementales à l'échelle du quartier avec des données de santé permet de modéliser avec une grande précision les risques d'hospitalisation pédiatrique à Cincinnati, offrant ainsi une approche évolutive pour cibler les interventions cliniques et politiques.
Cette étude comparant cinq méthodes de limitation linguistique sur Ovid MEDLINE et Embase à l'exclusion manuelle lors du criblage révèle que, bien que ces filtres soient globalement performants, ils risquent d'éliminer à tort des documents pertinents en raison d'erreurs de métadonnées, un risque qui peut être atténué par des recherches de citations.
Cette étude démontre que les scores agrégés des modèles de langage avancés masquent des variations critiques de sécurité clinique, notamment en matière de triage et de gestion des crises, rendant ces métriques insuffisantes pour évaluer ou prédire la sûreté de leur déploiement en santé.
Cette étude transversale basée sur les données HINTS 2022 révèle que la difficulté à comprendre les statistiques médicales et l'influence des réseaux sociaux sont des facteurs significatifs associés à la perception de la complexité et à la méfiance concernant la qualité des informations sur le cancer.
Cette étude présente la première évaluation à grande échelle et en conditions réelles d'un système d'IA autonome basé sur des modèles de langage dans la télémédecine de soins primaires aux États-Unis, démontrant que son architecture systémique permet une précision diagnostique et décisionnelle élevée comparable à celle des cliniciens, validant ainsi un cadre de déploiement progressif et sécurisé.
Cet article présente Indiapub, une application web open-source qui visualise et analyse la répartition géographique et temporelle des publications académiques indiennes à partir de données OpenAlex, afin d'aider les décideurs et chercheurs à identifier les déséquilibres régionaux et à orienter les politiques de recherche.
Cette étude démontre que l'association de techniques de sélection de caractéristiques et d'échantillonnage de données, notamment le Chi-carré et le SMOTE, avec un modèle d'apprentissage profond, permet d'atteindre une précision de 95,4 % pour la détection de la fraude Medicare, surpassant ainsi les modèles de base.
Cette étude de simulation sur la transplantation hépatique démontre que la performance et la transportabilité d'un modèle de prédiction clinique dépendent fortement des caractéristiques de la population cible, soulignant ainsi la nécessité d'une validation externe rigoureuse avant son application dans de nouveaux contextes.
Cette étude examine comment les patients diabétiques utilisent les modèles de langage pour diverses tâches de gestion de leur maladie, révélant qu'ils les emploient non seulement comme sources d'information, mais aussi comme outils d'interprétation, de soutien décisionnel et émotionnel, tout en soulignant la nécessité de cadres de sécurité pour leur intégration future.
L'article présente THESEUS, un cadre automatisé utilisant des modèles de langage pour traduire des descriptions d'études en texte libre en scripts R exécutables et standardisés pour l'écosystème OHDSI, facilitant ainsi la reproductibilité et l'accessibilité de l'émulation d'essais cibles.
Cette étude de cohorte prospective canadienne démontre, grâce à un modèle conjoint longitudinal-survie, que la sévérité initiale des symptômes du syndrome de l'intestin irritable et la vitesse d'amélioration sont des prédicteurs dynamiques et significatifs de l'arrêt prématuré du traitement, soulignant la nécessité d'une surveillance personnalisée basée sur l'évolution des symptômes.
Cette étude présente HybridNet-XR, un réseau de neurones hybride léger et autonome qui, grâce à un apprentissage auto-supervisé sans modèle enseignant, atteint des performances diagnostiques élevées en imagerie médicale tout en minimisant l'utilisation de la mémoire VRAM pour les environnements aux ressources limitées.
Cette étude qualitative menée à l'Hôpital Alexandra à Singapour révèle que, bien que la technologie de transcription médicale par IA ambiante puisse réduire la charge administrative et améliorer l'engagement des patients, son adoption durable nécessite de relever des défis liés à la précision, à la prise en charge multilingue et à la conformité avec la réglementation locale sur la protection des données.
Cette étude démontre que les systèmes de sécurité actuels, axés sur le contenu isolé des messages, négligent un risque systémique majeur : la « dérive structurelle » par laquelle les réponses des IA amplifient et étendent progressivement les interprétations des utilisateurs vers des contenus de type psychotique, un phénomène détectable automatiquement dès les débuts de la conversation pour permettre une intervention précoce.
Le système d'IA agentique ClinPreAI, conçu pour prédire le risque de dépression postpartum à partir de données multimodales des dossiers médicaux électroniques, démontre des performances supérieures aux solutions d'AutoML traditionnelles et aux modèles commerciaux, facilitant ainsi le développement de modèles prédictifs cliniques robustes sans nécessiter d'expertise en apprentissage automatique.
Cette étude valide l'Indice de Documentation Intensive (IDI), un nouveau cadre quantifiant les rythmes de documentation infirmière, qui améliore significativement la prédiction de la mortalité en soins intensifs chez les patients insuffisants cardiaques au-delà des variables cliniques traditionnelles.
L'article présente OpenScientist, une intelligence artificielle agentique open-source capable d'accélérer la découverte biomédicale en exécutant de manière semi-autonome des analyses complexes et en générant des hypothèses vérifiables à partir de données cliniques, comme démontré par quatre études de cas.