Mois : juin 2025

Une sélection de ressources (articles scientifiques, billets et autres liens) en lien avec les thématiques du DéSaN : entrepôts de données de santé, modèles de langage et, plus généralement, sciences de l’information dans le domaine de la santé. Ces ressources ont été repérées durant le mois de mai 2025.

Cette veille existe également sous la forme de pages Wakelet et Zotero.

Thèmes Principaux et Idées Clés (réalisé avec Google NotebookLM)

Modèles de Langage (LLMs, SLMs) et Applications en Santé

1. Sumner J, Wang Y, Tan SY, et al. Perspectives and Experiences With Large Language Models in Health Care: Survey Study. : Cette source présente une étude par sondage explorant les perspectives et expériences relatives aux modèles de langage étendus dans le domaine de la santé . L’étude détaille l’adoption, les perceptions, les motivations d’utilisation et l’impact perçu des LLMs sur les rôles fonctionnels pour les professionnels de santé, les étudiants et les universitaires . Les préoccupations soulevées incluent l’autonomie et le potentiel de réduction des interactions humaines, soulignant la nécessité d’une mise en œuvre prudente pour assurer l’équité et la durabilité .
2. Takita H, Kabata D, Walston SL, et al. A systematic review and meta-analysis of diagnostic performance comparison between generative AI and physicians. : Il s’agit d’un examen systématique et d’une méta-analyse comparant la performance diagnostique de l’IA générative et des médecins . Les résultats suggèrent un potentiel d’amélioration des soins de santé et de l’éducation médicale, à condition d’une compréhension appropriée des limitations .
3. Iqbal U, Tanweer A, Rahmanti AR, et al. Impact of large language model (ChatGPT) in healthcare: an umbrella review and evidence synthesis. : Cette revue globale (umbrella review) et synthèse de preuves explore l’impact de ChatGPT dans le domaine de la santé, couvrant le potentiel de transformation des soins, la prise de décision clinique et l’éducation médicale. Elle met en avant les applications prometteuses tout en soulignant l’importance des réglementations éthiques et la nécessité d’approfondir la recherche pour assurer la fiabilité et promouvoir la confiance.
4. Liu J, Nguyen A, Capurro D, et al. Comparing Text-Based Clinical Risk Prediction in Critical Care: A Note-Specific Hierarchical Network and Large Language Models. : Ce document compare un modèle de réseau hiérarchique spécifique aux notes cliniques et les LLMs pour la tâche de prédiction du risque clinique basé sur le texte dans les soins critiques . L’étude conclut que les LLMs sous-performent sur cette tâche critique par rapport aux modèles basés sur des méthodes traditionnelles, soulevant des mises en garde quant à leur utilisation directe pour l’évaluation des risques .
5. Verghese BG, Iyer C, Borse T, et al. Modern artificial intelligence and large language models in graduate medical education: a scoping review of attitudes, applications & practice. : Cette revue de portée explore l’intelligence artificielle et les grands modèles de langage dans l’éducation médicale supérieure (GME), identifiant les perceptions (de plus en plus favorables), les applications (évaluations, commentaires narratifs) et les lacunes de la recherche .
6. Kim H, Hwang H, Lee J, et al. Small language models learn enhanced reasoning skills from medical textbooks. : Cette source présente Meerkat, une nouvelle famille de petits modèles de langage (SLMs) conçus pour les applications médicales, offrant une solution potentielle aux contraintes de confidentialité et de matériel des LLMs, tout en améliorant les capacités de raisonnement multi-étapes .

LLMs pour la Documentation Clinique et la Synthèse de Texte

7. Asgari E, Montaa-Brown N, Dubois M, et al. A framework to assess clinical safety and hallucination rates of LLMs for medical text summarisation. : Cette source propose un cadre pour évaluer la sécurité clinique et les taux d’hallucination des LLMs utilisés pour la synthèse de texte médical, visant à améliorer l’efficacité du flux de travail et la sécurité des patients en automatisant des tâches comme la synthèse de consultations. Le cadre a permis de réduire les erreurs majeures dans la génération de notes cliniques.
8. Bednarczyk L, Reichenpfader D, Gaudet-Blavignac C, et al. Scientific Evidence for Clinical Text Summarization Using Large Language Models: Scoping Review. : Il s’agit d’un examen de portée (scoping review) sur la synthèse de texte clinique utilisant les modèles de langage étendus au sein des dossiers médicaux électroniques (DME), soulignant que cet objectif est central dans les études analysées.
9. Williams CYK, Subramanian CR, Ali SS, et al. Physician- and Large Language Model-Generated Hospital Discharge Summaries. : Ce papier évalue la qualité des résumés de sortie d’hôpital générés par des médecins et par des modèles de langage étendus , trouvant une qualité globale comparable et une préférence égale, bien que les résumés générés par LLM soient plus concis et cohérents mais moins exhaustifs et contenant plus d’erreurs uniques, avec un faible potentiel de danger global pour les deux types .

LLMs et Automatisation des Flux de Recherche

10. Wang L, Li J, Zhuang B, et al. Accuracy of Large Language Models When Answering Clinical Research Questions: Systematic Review and Network Meta-Analysis. : Il s’agit d’un examen systématique et d’une méta-analyse en réseau évaluant l’exactitude des modèles de langage étendus lorsqu’ils répondent à des questions de recherche clinique . L’étude a analysé 168 articles et plusieurs types de questions cliniques, concluant sur les performances variables des différents modèles .
11. Kim S, Yoon H-J. Large Language Model-Assisted Systematic Review: Validation Based on Cochrane Review Data. : Cette source illustre l’utilisation de modèles de langage étendus pour assister dans le processus de revue systématique , se concentrant spécifiquement sur l’étape du criblage des résumés et démontrant l’utilité pratique et les limites actuelles des LLMs dans cette automatisation .
12. Scherbakov D, Hubig N, Jansari V, et al. The emergence of large language models as tools in literature reviews: a large language model-assisted systematic review. : Cette revue examine l’utilisation des modèles de langage étendus dans le processus de création de revues scientifiques , y compris l’automatisation de différentes étapes comme le criblage, l’extraction de données et la synthèse de preuves, et anticipe un changement dans la manière dont les revues scientifiques sont menées .
13. Cai X, Geng Y, Du Y, et al. Utilizing Large language models to select literature for meta-analysis shows workload reduction while maintaining a similar recall level as manual curation. : Ce document explore la possibilité d’utiliser des modèles de langage étendus pour faciliter l’étape de criblage de la littérature pour la méta-analyse, démontrant une réduction significative de la charge de travail tout en maintenant un niveau de rappel similaire à la curation manuelle grâce à une stratégie appelée LARS-GPT.
14. Zhang G, Xu Z, Jin Q, et al. Leveraging long context in retrieval augmented language models for medical question answering. : Ce papier aborde l’utilisation de modèles LLM augmentés par récupération (RAG) pour améliorer la précision et la fiabilité de la réponse à des questions médicales , en abordant notamment le problème de la « perte au milieu » des informations .

Données, Datasets, Génération de Données Synthétiques et Qualité

15. Huang R, Wu H, Yuan Y, et al. Evaluation and Bias Analysis of Large Language Models in Generating Synthetic Electronic Health Records: Comparative Study. : Cette étude évalue la performance et analyse les biais de genre et raciaux des modèles de langage étendus dans la génération de dossiers de santé électroniques (DSE) synthétiques. Elle révèle que les modèles plus grands obtiennent de meilleures performances mais présentent des biais accrus, soulignant la nécessité de stratégies d’atténuation des biais.
16. Loni M, Poursalim F, Asadi M, et al. A review on generative AI models for synthetic medical text, time series, and longitudinal data. : Cette revue de portée examine les modèles d’IA générative pour la création de données synthétiques en santé (texte, séries temporelles, données longitudinales) , avec la préservation de la vie privée comme objectif principal , et identifie l’évaluation fiable du risque de ré-identification comme une lacune majeure .
17. Fang L, Salami MO, Weber GM, et al. uCite: The union of nine large-scale public PubMed citation datasets with reliability filtering. : Ce document décrit uCite, un grand ensemble de données résultant de l’union et de la structuration de neuf datasets publics de citations PubMed, visant à améliorer la couverture et la fiabilité des données de citation.
18. Pierre-Jean M, Fracasso P, Cabon S, et al. Laboratory Results in Ouest Data Hub – Standardization and Data Quality Overview. : Cette source aborde la normalisation et la qualité des données de laboratoire dans les entrepôts de données cliniques (CDW) , soulignant l’importance du contrôle qualité et de la normalisation des valeurs pour des modèles de décision clinique fiables, malgré la normalisation LOINC .

Traitement Automatique du Langage (TAL) Biomédical Spécifique (Ex: Français)

19. Knafou JDM. TransBERT: Leveraging Automatic Translation for Domain-Specific Knowledge Transfer. : Ce manuscrit explore l’application d’outils de TAL en développant TransBERT, un modèle de langage biomédical français entraîné sur des résumés traduits automatiquement pour surmonter la barrière linguistique en TAL dans les sciences de la vie .

Éthique, Régulation, Biais et Intégrité

20. Intelligence artificielle en sant?: une concertation publique pour un dploiement thique. : Ce guide, issu d’une concertation publique menée par l’Agence du Numérique en Santé (ANS) et la Délégation au Numérique en Santé (DNS), propose des critères et des aides à l’implémentation pour des systèmes d’intelligence artificielle en santé éthiques , complétant le cadre réglementaire existant et axé sur les spécificités du secteur de la santé .
21. Colloque 2025?: Comment lIA gnrative transforme les pratiques de recherche?: nouveaux enjeux dintgrit scientifique. : Ce document présente le programme d’un colloque explorant comment l’IA générative transforme les pratiques de recherche et les nouveaux enjeux d’intégrité scientifique qui en découlent , abordant des questions cruciales comme la fiabilité, la transparence, la protection des données et la régulation .
22. Ji Y, Ma W, Sivarajkumar S, et al. Mitigating the risk of health inequity exacerbated by large language models. : Cette source traite de la réduction du risque d’iniquité en santé exacerbé par les grands modèles de langage , montrant que l’intégration de facteurs sociodémographiques non décisifs peut entraîner des résultats incorrects et nuisibles , et proposant un cadre (EquityGuard) pour détecter et atténuer ce risque .
23. Huang R, Wu H, Yuan Y, et al. Evaluation and Bias Analysis of Large Language Models in Generating Synthetic Electronic Health Records: Comparative Study. : (Déjà cité dans la section Données) Évalue et analyse les biais de genre et raciaux dans les DSE synthétiques générés par LLMs, soulignant la nécessité de stratégies d’atténuation des biais.
24. Sumner J, Wang Y, Tan SY, et al. Perspectives and Experiences With Large Language Models in Health Care: Survey Study. : (Déjà cité dans la section Applications) Souligne la nécessité d’une mise en œuvre prudente des LLMs en santé pour assurer l’équité et la durabilité , basée sur les perceptions et expériences des utilisateurs .

Outils et Infrastructures Documentaires / Recherche d’Information

25. Sidre C. Note sur les risques encourus par PubMed/Medline sous ladministration Trump 2025. : Cette note analyse les risques encourus par les bases de données PubMed/Medline et ClinicalTrials.gov sous une administration politique donnée , soulevant des préoccupations relatives à la liberté d’expression et de publication et au potentiel de désinformation dans les bases de données scientifiques .
26. Bastian H. Germanys Plan for an Open and Independent PubMed Safety Net. : Cet article de blog présente le plan de l’Allemagne pour un réseau de sécurité (safety net) PubMed ouvert et indépendant, visant à établir une infrastructure de recherche en sciences de la vie résiliente et indépendante.
27. Gitman V, Maxwell C, Gamble J-M. Enhancing search strategies for systematic reviews on drug Harms: An evaluation of the utility of ChatGPT in error detection and keyword generation. : Cette source évalue l’utilité de ChatGPT pour améliorer les stratégies de recherche pour les revues systématiques sur les effets néfastes des médicaments, notamment pour la détection d’erreurs et la génération de mots-clés manquants.
28. Gorenshtein A, Shihada K, Sorka M, et al. LITERAS: Biomedical literature review and citation retrieval agents. : Ce papier présente LITERAS, un outil basé sur des agents IA et des LLMs pour la revue de littérature biomédicale et la récupération de citations, visant à améliorer l’exactitude et la fiabilité des citations par rapport aux approches LLM d’ moteurs de recherche académiques.
29. PETITJEAN-MONNIN A. Click & Read, lextension indispensable pour accder aux publications scientifiques en un clic. : Il s’agit d’un billet de blog décrivant Click & Read, une extension conçue pour faciliter l’accès aux publications scientifiques en un clic .