193 articles
Cette étude démontre que l'orchestration d'agents de langage spécialisés via la théorie des jeux de Nash améliore la sécurité et l'efficacité des plans de soins pour les patients Medicaid, bien que cette approche multi-objectifs ne résolve pas automatiquement les inégalités sociales, qui nécessitent une attention explicite en matière de conception.
L'étude AutoscriberValidate démontre que l'utilisation du scribe numérique ambiant Autoscriber réduit la charge de travail des professionnels de santé et améliore la qualité des notes médicales en diminuant significativement la plupart des erreurs.
Cette étude démontre que les modèles vision-langage commerciaux sont vulnérables à des injections de texte OCR, qu'elles soient visibles ou furtives, qui dominent leur processus décisionnel au détriment de l'analyse visuelle et compromettent ainsi leur fiabilité en radiologie, soulignant la nécessité de mesures de sécurité systémiques avant toute intégration clinique.
Cette étude transversale menée auprès de 500 patients en Jordanie révèle une acceptation conditionnelle de l'intelligence artificielle en santé, caractérisée par une forte préférence pour un modèle de soins collaboratif associant médecins et IA, tout en soulignant que la confiance et la volonté d'adoption dépendent fortement de la littératie numérique et du niveau d'éducation.
Cette étude présente un modèle hybride SARIMA-CNNAR novateur qui, en combinant l'analyse des tendances saisonnières linéaires et la détection de motifs non linéaires, offre des prévisions précises de l'incidence de la tuberculose au Népal, surpassant ainsi les méthodes de prévision conventionnelles pour optimiser la planification des ressources sanitaires.
MedOS est un modèle de monde incarné généraliste qui, en mimant la cognition humaine via une architecture à double système, comble le fossé entre raisonnement clinique et intervention physique pour démocratiser l'expertise médicale et combler l'écart de performance entre médecins juniors et seniors.
Cette étude démontre la faisabilité technique de la génération entièrement automatisée de revues systématiques par l'IA, qui surpassent une revue humaine en qualité perçue tout en révélant des limites critiques concernant la profondeur de l'information et des biais dans la perception des experts, ce qui appelle à de nouveaux cadres de transparence et de vérification dans l'édition scientifique.
Cet article propose et évalue deux méthodes, un score de fiabilité pour la stratification des participants et une méthode d'ajustement bayésien, pour résoudre les incohérences d'âge de début dans les enquêtes de santé longitudinales, démontrant ainsi une amélioration significative de la cohérence des données et des performances prédictives.
Cette étude utilise un modèle d'analyse de sentiments basé sur des graphes (GNN-ABSA) pour analyser plus de 342 000 avis d'utilisateurs d'applications de gestion de l'acouphène, révélant que les fonctionnalités thérapeutiques sont bien accueillies tandis que les aspects commerciaux et techniques suscitent des critiques, offrant ainsi des données précieuses pour améliorer le développement et la prescription de ces outils numériques.
Cette étude présente le protocole d'un essai contrôlé randomisé visant à évaluer l'impact d'un nouvel outil de résumé de dossiers médicaux par intelligence générative intégré à l'EHR Epic sur la charge cognitive des prestataires de soins ambulatoires par rapport aux soins habituels.
Cette étude révèle que les cliniciens modifient principalement les notes médicales générées par l'IA ambiante pour corriger des erreurs de transcription, améliorer la précision clinique et réduire les risques médico-légaux, soulignant ainsi la nécessité d'une collaboration entre fournisseurs, institutions et praticiens pour optimiser ces outils.
Cette étude présente un cadre d'émulation de essais cliniques piloté par des agents autonomes qui, en calibrant les estimations issues des dossiers de santé électroniques avec des modèles hiérarchiques bayésiens, permet d'apprendre et de corriger les écarts systématiques spécifiques à un système de santé pour améliorer la précision des résultats à grande échelle.
Cette étude présente CardioPulmoNet, une architecture neuronale inspirée des couplages physiologiques cardiopulmonaires qui améliore l'apprentissage de représentations interprétables et stables pour le diagnostic histopathologique, notamment dans des conditions de données limitées.
Cette étude propose un pipeline d'apprentissage automatique interprétable basé sur XGBoost et des données hybrides pour prédire de manière non invasive la stéatose hépatique non alcoolique et ses comorbidités, en intégrant des explications via SHAP et une interface utilisateur interactive.
Cette étude valide le flux de travail automatisé otto-SR, basé sur les grands modèles de langage, démontrant qu'il surpasse les chercheurs humains dans le dépistage et l'extraction de données pour les revues systématiques, tout en permettant leur mise à jour rapide et fiable.
En analysant des publications Reddit, cette étude révèle que les environnements naturels peuvent à la fois atténuer et exacerber l'anxiété sociale chez les jeunes, soulignant la nécessité de concevoir des interventions adaptées à leurs craintes spécifiques d'évaluation sociale.
Cette étude exploratoire utilisant le suivi oculaire et des protocoles de pensée à voix haute révèle que les cliniciens en soins primaires consacrent une attention visuelle substantielle aux dossiers de santé électroniques pour vérifier les indicateurs de risque, ce qui retarde souvent la discussion sur le suicide et modifie le flux de la consultation.
Cette étude démontre que l'intégration de l'expertise clinique et de l'apprentissage de structures causales permet de développer des modèles prédictifs parcimonieux et interprétables pour la dysfonction cérébrale aiguë acquise en unité de soins intensifs pédiatriques, avec une performance comparable à celle des modèles utilisant l'ensemble des variables.
Ce papier présente ED-Triage-Agent, un cadre d'intelligence artificielle multi-agents conçu pour collaborer avec les cliniciens afin d'améliorer la classification de l'urgence (ESI) aux urgences en respectant le flux de travail clinique et l'autonomie humaine.
Ce papier présente le Lilo Engine, un pipeline thérapeutique déterministe à cinq couches conçu pour garantir une sécurité absolue et une détection fiable des crises chez les personnes âgées en maison de retraite, remplaçant les orchestrateurs multi-agents par des invariants structurels pour atteindre un rappel de crise de 100 % et une latence de 28,7 ms.