Large Language Models Across the Clinical Trial Lifecycle: A Scoping Review of Applications, Methodologies, and Validation Gaps
Cette revue de portée de 71 études publiées entre 2023 et 2025 révèle que, bien que les grands modèles de langage soient de plus en plus appliqués au recrutement des essais cliniques et à l'analyse de données, leur transition vers une pratique courante est entravée par des preuves fragmentées, un manque de références comparatives et une validation prospective insuffisante.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les essais cliniques sont les expériences rigoureuses, coûteuses et chronophages qui déterminent si un nouveau médicament ou traitement est sûr et efficace pour les personnes. Avant qu'un médicament puisse atteindre une pharmacie, il doit passer par une série d'étapes soigneusement contrôlées : les chercheurs conçoivent les règles de l'expérience, trouvent les bons volontaires pour participer, les guident tout au long de l'étude, et enfin analysent les montagnes de données qu'ils produisent. Pendant des décennies, ces étapes ont reposé largement sur l'effort humain, nécessitant des équipes d'experts pour lire des milliers de pages de dossiers médicaux, rédiger des documents juridiques complexes et faire correspondre les patients aux études appropriées. Récemment, un nouveau type de programme informatique est entré dans ce monde. Ces programmes, connus sous le nom de modèles de langage étendus, sont entraînés sur de vastes quantités de textes et peuvent lire, écrire et raisonner avec le langage humain de manières qui étaient impossibles pour les logiciels précédents. Ils offrent la promesse d'accélérer les parties lentes et exigeantes en main-d'œuvre de la recherche clinique, mais comme la technologie est très nouvelle, il n'était pas clair exactement où ces outils étaient utilisés, s'ils fonctionnaient réellement bien, et s'ils étaient prêts pour une utilisation en conditions réelles.
Une équipe de chercheurs s'est donné pour mission de cartographier ce paysage en mutation rapide en examinant chaque étude qu'elle pouvait trouver appliquant ces modèles de langage aux essais cliniques entre janvier 2023 et août 2025. Ils ont examiné 71 études distinctes pour voir comment la technologie était utilisée, de la toute première idée d'un essai jusqu'à l'analyse finale de ses résultats. Leur enquête a révélé que l'utilisation de ces modèles croît rapidement, mais qu'elle est également inégale. La technologie est actuellement plus active dans deux domaines spécifiques : l'analyse des données après la fin d'un essai, et l'aide au recrutement des participants avant le début d'un essai. Dans le domaine de l'analyse de données, les modèles sont utilisés pour extraire des faits spécifiques de milliers d'articles médicaux, résumer des conclusions complexes et vérifier si les rapports respectent les règles nécessaires. En matière de recrutement, les modèles aident à traduire des règles d'éligibilité médicale compliquées en listes simples et à faire correspondre les dossiers des patients aux études appropriées. Cependant, les chercheurs ont constaté que les modèles sont rarement utilisés pendant le déroulement effectif de l'essai, par exemple lors de l'interaction directe avec les patients ou de la gestion des activités quotidiennes de l'étude.
La revue a également examiné de près la manière dont ces programmes informatiques étaient testés. Dans près de la moitié des études, les chercheurs ont comparé les nouveaux modèles à d'anciennes méthodes informatiques et ont constaté que les modèles de langage étaient plus performants. Pourtant, dans presque autant d'études, aucune comparaison de ce type n'a été faite, laissant planer le doute sur le fait que ces nouveaux outils soient réellement une amélioration. Plus important encore, les chercheurs ont constaté un écart significatif entre la performance des ordinateurs sur papier et la manière dont ils fonctionneraient dans un véritable hôpital ou une véritable clinique. Bien qu'environ un tiers des études incluaient une forme d'évaluation humaine, où des personnes vérifiaient le travail de l'ordinateur, ces vérifications étaient souvent effectuées a posteriori en examinant d'anciens dossiers. Très peu d'études ont testé les modèles en temps réel avec de véritables patients ou médecins pour voir si les conseils donnés par l'ordinateur étaient sûrs et utiles. Lorsque des experts humains ont examiné les résultats, ils ont parfois constaté que les modèles passaient à côté de détails importants ou faisaient des recommandations qui n'étaient pas tout à fait exactes.
Une autre conclusion critique concernait les données sur lesquelles ces modèles ont été entraînés. La plupart des études s'appuyaient sur des informations déjà publiques, telles que des journaux médicaux et des registres d'essais disponibles sur Internet. Seul un petit nombre d'études utilisait des dossiers de patients privés et sensibles provenant d'hôpitaux. Lorsque des données privées étaient utilisées, les chercheurs omettaient souvent d'expliquer clairement comment ils protégeaient la confidentialité des patients ou s'ils avaient une autorisation officielle pour utiliser ces informations. Ce manque de transparence dans le compte rendu rend difficile de savoir si la technologie est utilisée de manière responsable. Les auteurs de la revue concluent que, bien que ces modèles de langage soient des outils puissants qui se développent rapidement, ils ne sont pas encore prêts à être considérés comme des éléments standards du processus d'essai clinique. Avant de pouvoir être utilisés de routine, des travaux supplémentaires sont nécessaires pour prouver qu'ils sont sûrs, pour les tester dans des contextes réels et pour s'assurer que les données qu'ils utilisent sont traitées avec le plus grand soin. La technologie progresse vite, mais les preuves soutenant son utilisation sont encore à la traîne.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.