193 articles
Cette étude qualitative révèle que les patients et les fournisseurs de soins considèrent le potentiel des applications mobiles pour améliorer le suivi objectif de la myélopathie cervicobrachiale, tout en soulignant la nécessité d'une intégration réfléchie et d'une conception centrée sur l'utilisateur pour surmonter les limites des outils d'évaluation actuels.
Cette étude présente un cadre d'apprentissage profond multimodal combinant des données IRM et des dossiers cliniques via un modèle de langage et un mécanisme d'attention croisée pour prédire avec plus de précision le risque de cancer de la thyroïde que les systèmes unimodaux.
En analysant les données de 11 901 participants, cette étude révèle que le temps de port des dispositifs portables varie significativement selon les facteurs démographiques et de santé, ce qui peut introduire des biais d'exclusion dans les populations malades, et propose un cadre méthodologique flexible pour corriger ces inégalités et promouvoir l'équité en santé numérique.
Le modèle CHARIOT, développé et validé sur 19 millions d'adultes britanniques à partir de dossiers médicaux électroniques, permet de prédire la réduction spécifique du risque cardiovasculaire à 10 ans sous diverses interventions (statines, antihypertenseurs, arrêt du tabac, modifications du mode de vie) pour orienter une prévention personnalisée et actionnable.
Cette étude quasi-expérimentale longitudinale démontre que l'adoption d'un scribe IA ambiant par les cliniciens de soins primaires entraîne une réduction progressive et persistante du temps de documentation et du travail effectué en dehors des heures de service, ainsi qu'une légère augmentation de la productivité financière, sur une période de 150 jours.
Le TDA Engine v2.1 est un cadre computationnel topologique qui détecte les vides structurels dans les données épidémiologiques censurées en les distinguant des fluctuations stochastiques grâce à une classification temporelle et une inférence causale, permettant ainsi d'identifier les zones potentielles de sous-déclaration pour orienter les investigations de santé publique.
Cette étude démontre que la décomposition des rôles au sein des systèmes multi-agents, sans modification des paramètres du modèle, agit comme un biais inductif structuré capable de modifier systématiquement les compromis entre sensibilité et spécificité dans les tâches de classification clinique.
Cette étude présente un cadre systématique d'évaluation par test d'intrusion (red-teaming) des modèles de langage en contexte médical, révélant que bien que les garde-fous standards soient généralement efficaces, ils restent vulnérables à l'usurpation d'autorité, en particulier lorsque les demandes sont formulées dans un cadre éducatif.
Bien que les grands modèles de langage obtiennent de bons résultats dans les applications médicales, une évaluation fondée sur l'ontologie révèle que leur compréhension des concepts médicaux est fragmentée, avec une maîtrise inégale de l'identité, de la hiérarchie et du sens des concepts.
En exploitant le jeu de données AI-READI, cette étude propose un cadre hybride combinant un raffinement itératif des étiquettes par XGBoost et un modèle d'apprentissage profond Conv+BiLSTM pour corriger les erreurs de diagnostic et améliorer avec précision la détection du prédiabète à partir des données de surveillance continue du glucose.
Cette étude démontre que, dans un contexte clinique réel, les méthodes de correction du déséquilibre des classes dégradent la calibration des modèles d'intelligence artificielle en entraînant une surévaluation des risques, ce qui compromet leur utilité pour la prise de décision médicale par rapport à un modèle entraîné sur la distribution naturelle des données.
Cette étude démontre que l'exigence de citations textuelles vérifiables pour les modèles de langage dans le traitement de textes biomédicaux améliore la traçabilité et la confiance sélective des prédictions, mais introduit de nouveaux modes d'échec et un compromis entre la couverture et la vérifiabilité qui varie selon le modèle utilisé.
En analysant un an de données de wearables et d'auto-évaluations auprès de 3 139 participants, cette étude révèle la forte hétérogénéité des facteurs influençant l'humeur individuelle et propose MoodDriver, un système alimenté par des modèles de langage pour générer des retours personnalisés afin d'améliorer le bien-être mental.
Cet article propose un cadre de déploiement fiable pour la médecine personnalisée en périopératoire, combinant des arbres d'effets causaux et une analyse de calibration pour distinguer les hétérogénéités cliniques actionnables des variations bruitées et ainsi guider la sélection des traitements uniquement lorsque les bénéfices estimés sont à la fois fiables et significatifs.
Cette étude démontre qu'un grand modèle de langage de 20 milliards de paramètres déployé localement, couplé à une stratégie de prompt optimisée pour la sensibilité, permet de cribler efficacement les résumés de revues systématiques avec une grande rapidité, bien que sa précision varie selon la nature du domaine et qu'il soit actuellement recommandé de l'utiliser comme deuxième examinateur aux côtés d'experts humains.
Cette étude transversale révèle que, bien que les éditeurs de journaux de médecine traditionnelle, complémentaire et intégrative reconnaissent le potentiel de l'IA pour soutenir les tâches éditoriales, son adoption reste limitée par des barrières pratiques, éthiques et institutionnelles, soulignant la nécessité urgente de formations et de politiques claires.
En utilisant la base de données ECHILD, cette étude caractérise une cohorte nationale d'enfants non accompagnés demandeurs d'asile en Angleterre (2005-2021) pour explorer leurs résultats éducatifs et sanitaires, tout en soulignant que la liaison des données dépend de leur inscription dans l'enseignement secondaire obligatoire.
Le papier présente EmulatRx, un cadre agentic qui exploite les données du monde réel et des conversations itératives entre agents spécialisés pour automatiser et optimiser la conception d'essais cliniques, comme le démontrent ses applications réussies sur des maladies aiguës et chroniques.
Cet article présente un cadre d'apprentissage par transfert inter-ensembles pour la classification de l'intensité des émotions, qui surmonte la pénurie de données en combinant des modèles génératifs conditionnés par des invites et des transformations heuristiques pour synthétiser des exemples cibles, démontrant ainsi que l'augmentation conditionnée par CGA améliore significativement les performances tout en révélant des compromis entre la fluidité, la diversité lexicale et la fidélité affective.
Cette étude propose un cadre novateur pour interpréter les données longitudinales de sommeil issues de wearables Fitbit en les adaptant au modèle à deux processus de régulation du sommeil, permettant ainsi d'identifier des liens significatifs entre les processus homéostatiques et circadiens et la santé mentale, notamment la dépression.