193 articles
Cette étude qualitative révèle que la crédibilité de l'intelligence artificielle en santé dépend moins de sa performance technique que des pratiques de gouvernance et de la surveillance humaine mises en œuvre par les professionnels de la cybersécurité pour établir la confiance institutionnelle.
Cette étude révèle que les grands modèles de langage, entraînés principalement dans des pays à revenu élevé, présentent un biais diagnostique significatif en faveur des épidémiologies de ces pays, proposant des suggestions moins pertinentes pour les contextes des pays à revenu faible ou intermédiaire que les médecins locaux, même lorsque le modèle est informé de la localisation géographique.
Le papier présente GEN-KnowRD, un cadre innovant qui repositionne les grands modèles de langage (LLM) de la phase de raisonnement diagnostique vers la couche de connaissance pour générer automatiquement des profils de maladies rares et construire une base de connaissances calculable, améliorant ainsi significativement la reconnaissance et le dépistage précoce des maladies rares par rapport aux approches existantes.
Cette étude démontre la faisabilité d'utiliser des algorithmes d'apprentissage automatique interprétables sur des données de dossiers médicaux électroniques pour détecter la variation clinique injustifiée dans le traitement de la pharyngite virale aiguë chez l'enfant, en identifiant les facteurs contextuels tels que le volume de cas et l'expérience du fournisseur qui influencent les prescriptions inappropriées d'antibiotiques.
Cette étude propose un cadre scalable utilisant des données de dossiers médicaux électroniques réels pour reconstruire les lignes de traitement successives et générer des estimations de survie sans progression personnalisées, permettant ainsi une stratification précise du risque dans le cancer du sein métastatique malgré l'hétérogénéité des pratiques cliniques.
PhenoSS est une nouvelle approche statistique fondée sur la similarité sémantique des phénotypes et utilisant une copule gaussienne pour améliorer la prédiction des maladies rares et le regroupement des patients en tenant compte de la structure hiérarchique de l'Ontologie des Phénotypes Humains (HPO) et en corrigeant les effets de lot.
Le papier présente RareDAI, une approche intégrant des modèles de langage de grande taille affinés par auto-distillation et un raisonnement en chaîne de pensée pour interpréter les directives cliniques et fournir des recommandations de tests génétiques interprétables et supérieures aux méthodes traditionnelles pour les maladies rares.
Cette étude propose une méthode de débruitage pour l'imagerie par résonance magnétique au sodium (23Na) basée sur un prior d'image profond guidé par l'anatomie et la biochimie, qui fusionne les données de l'IRM au proton et du sodium via une régularisation de variation totale directionnelle pour améliorer la qualité de l'image et réduire les temps d'acquisition.
Cette étude démontre que les grands modèles de langage actuels peuvent réfuter avec précision les mythes vaccinaux courants, mais que leur complexité linguistique et leur adaptation au contexte utilisateur nécessitent une optimisation pour garantir une accessibilité optimale dans les communications de santé publique.
Cette étude démontre la faisabilité de l'utilisation de modèles de langage de grande taille pour catégoriser les modifications apportées par les cliniciens aux notes générées par l'IA ambiante, révélant que si cette approche est efficace pour des catégories spécifiques comme les médicaments et les symptômes, elle nécessite une revue humaine pour les cas complexes.
Cette étude menée dans un hôpital universitaire néerlandais révèle que, bien que l'outil de génération d'IA d'Epic pour les réponses aux messages des patients ait été initialement bien accueilli, son adoption a diminué au fil du temps en raison d'un impact limité sur l'efficacité clinique et le bien-être, soulignant la nécessité de mieux gérer les attentes et d'établir des indicateurs de qualité pour un déploiement responsable.
Cet article présente un modèle d'apprentissage profond piloté par la théorie clinique qui améliore la prédiction interprétable de la sévérité de l'autisme en opérationnalisant des construits cliniques distincts via un mécanisme d'attention croisée structurée, offrant ainsi à la fois des performances supérieures et une transparence alignée sur le raisonnement médical.
Ce rapport de 2025 révèle une maturation significative de la recherche en intelligence artificielle dans le domaine de la santé, marquée par un doublement des publications et une transition rapide des modèles d'apprentissage machine classiques et des LLM textuels vers des modèles de fondation multimodaux capables de mieux refléter la complexité des données cliniques réelles.
Cette étude démontre que l'ingénierie de caractéristiques automatisée via la synthèse de caractéristiques profondes améliore significativement la discrimination, la calibration et l'utilité clinique des modèles de prédiction des réadmissions pour insuffisance cardiaque basés sur des arbres de gradient, par rapport aux approches traditionnelles utilisant des caractéristiques manuelles.
Cette étude de cohorte révèle que le type de réponse éditoriale (avis, expression de préoccupation ou rétractation) face à des problèmes d'intégrité n'influence pas le déclin des citations des essais cliniques randomisés, celui-ci étant similaire à la baisse naturelle observée dans les études témoins.
Cette étude propose un cadre d'informatique de santé piloté par la gouvernance et calibré sur des données réelles, qui améliore significativement la précision des prévisions de l'utilisation des soins en oncologie et des maladies chroniques complexes en modélisant les flux longitudinaux des patients, contrairement aux approches statiques traditionnelles.
Ce papier présente SO_SCPLOWTRATC_SCPLOWCP, un cadre conformal stratifié qui permet le déploiement sécurisé de modèles fondationnels médicaux en contrôlant strictement le taux de fausses découvertes pour les patients sélectionnés et en fournissant des ensembles de prédictions calibrés pour les autres, assurant ainsi une prise de décision clinique fiable sous des budgets d'erreur spécifiés.
Cette étude démontre que la taille des modèles et le fine-tuning médical ne garantissent pas la robustesse clinique des représentations terminologiques dans les LLMs déployables localement, soulignant la nécessité de valider les performances en fonction de la complexité sémantique et du sous-domaine spécifique.
Cette étude conclut que le Questionnaire de Régularité du Sommeil (SRQ) présente une validité convergente modeste avec les journaux de sommeil et la qualité perçue, mais une faible correspondance avec les mesures objectives de régularité du sommeil issues des wearables, suggérant qu'il devrait compléter plutôt que remplacer le suivi objectif chez les adultes en bonne santé.
Cette étude démontre que l'utilisation de modèles de langage pour simplifier les comptes rendus radiologiques améliore significativement leur lisibilité et la compréhension des patients, tout en maintenant une grande précision avec un taux d'hallucinations négligeable.