Auteur : Équipe CISMeF

Veille scientifique DéSaN Janvier 2026

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 janvier 2026.

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

Thèmes Principaux et Idées Clés (réalisé avec Google NotebookLM)

Thème 1 : Gestion et analyse des données de santé

  1. Hornback A, et al. « FHIR in Focus: Enabling Biomedical Data Harmonization for Intelligent Healthcare Systems » : Analyse de l’utilisation du standard FHIR pour l’harmonisation des données biomédicales au sein de systèmes de santé intelligents. https://doi.org/10.1109/RBME.2025.3632213
  2. Kirchler M, et al. « Large language models improve transferability of electronic health record-based predictions across countries and coding systems » : Démonstration de l’amélioration de la transférabilité des prédictions basées sur les dossiers patients grâce aux modèles de langage . https://doi.org/10.1038/s41746-026-02363-5
  3. Liu J, et al. « Assessment of the integrity of real-time electronic health record data used in clinical research » : Étude sur l’intégrité des données des dossiers de santé informatisés utilisés en temps réel pour la recherche clinique. https://doi.org/10.1371/journal.pone.0340287
  4. Mehmood I, et al. « A Systematic Review of Topic Modeling Techniques for Electronic Health Records » : Revue systématique des techniques de modélisation thématique (topic modeling) appliquées aux dossiers de santé. https://doi.org/10.3390/healthcare14020282
  5. Liu L, et al. « Using natural language processing to extract information from clinical text in electronic medical records for populating clinical registries: a systematic review » : Utilisation du traitement du langage naturel (NLP) pour l’extraction d’informations cliniques textuelles vers les registres. https://doi.org/10.1093/jamia/ocaf176
  6. Magoc T, et al. « Supporting electronic health record data usage in research for teams with varying data science and clinical knowledge: a food service analogy approach » : Application d’une analogie avec les services alimentaires pour soutenir l’utilisation des données de santé par des équipes aux expertises variées. https://doi.org/10.1093/jamia/ocaf188
  7. Jacobs JW, et al. « Unexplained Pauses in Centers for Disease Control and Prevention Surveillance: Erosion of the Public Evidence Base for Health Policy » : Analyse des interruptions inexpliquées dans la surveillance du CDC, fragilisant les bases de preuves pour les politiques de santé. https://doi.org/10.7326/ANNALS-25-04022
  8. Du X, et al. « Testing and evaluation of generative large language models in electronic health record applications: a systematic review » : Revue systématique sur le test et l’évaluation des modèles de langage génératifs dans les applications liées aux dossiers de santé. https://doi.org/10.1093/jamia/ocaf233

Thème 2 : Intelligence Artificielle et Modèles de Raisonnement

  1. Bedi S, Cui H, Fuentes M, et al. « Holistic evaluation of large language models for medical tasks with MedHELM » : Présentation du cadre MedHELM pour une évaluation holistique des modèles de langage sur des tâches médicales. https://doi.org/10.1038/s41591-025-04151-2.
  2. Wang X, et al. « Reasoning-driven large language models in medicine: opportunities, challenges, and the road ahead » : Exploration des opportunités et défis des modèles de langage axés sur le raisonnement en médecine. https://doi.org/10.1016/j.landig.2025.100931
  3. Asai A, He J, Shao R, et al. « Synthesizing scientific literature with retrieval-augmented language models » : Système OpenScholar utilisant la génération augmentée par récupération pour synthétiser la littérature scientifique. https://doi.org/10.1038/s41586-025-10072-4
  4. Wu J, et al. « Medical Graph RAG: Evidence-based Medical Large Language Model via Graph Retrieval-Augmented Generation » : Développement de MedGraphRAG, un modèle médical fondé sur des preuves via une génération augmentée par graphes. https://doi.org/10.18653/v1/2025.acl-long.1381
  5. Park BH, et al. « Improving postoperative length of stay forecasting with retrieval-augmented prediction » : Amélioration de la prévision de la durée de séjour postopératoire grâce à la prédiction augmentée par récupération. https://doi.org/10.1093/jamia/ocaf154
  6. Liao W, et al. « Developing a Quality Evaluation Index System for Health Conversational Artificial Intelligence: Mixed Methods Study » : Développement d’un système d’indexation pour évaluer la qualité des IA conversationnelles en santé. https://doi.org/10.2196/83188

Thème 3 : Méthodologie de la recherche et synthèse de preuves

  1. Zhan J, et al. « Accelerating the pace and accuracy of systematic reviews using AI: a validation study » : Étude de validation sur l’accélération du rythme et de la précision des revues systématiques via l’IA. https://doi.org/10.1186/s13643-025-02997-8
  2. Sciurti A, et al. « Compact large language models for title and abstract screening in systematic reviews: An assessment of feasibility, accuracy, and workload reduction » : Évaluation de l’efficacité des modèles de langage compacts pour le screening des titres et résumés. https://doi.org/10.1017/rsm.2025.10044.
  3. Flemyng E, et al. « Position Statement on Artificial Intelligence (AI) Use in Evidence Synthesis Across Cochrane, the Campbell Collaboration, JBI, and the Collaboration for Environmental Evidence 2025 » : Déclaration de position sur l’usage de l’IA dans la synthèse de preuves par les grandes collaborations scientifiques. https://doi.org/10.1002/cl2.70074
  4. Scancar B, et al. « Machine learning based screening of potential paper mill publications in cancer research: methodological and cross sectional study » : Utilisation de l’apprentissage automatique pour détecter les publications issues d’usines à articles frauduleuses. https://doi.org/10.1136/bmj-2025-087581
  5. Jin JG, et al. « Comparison of reference management software with new artificial intelligence-based tools » : Comparaison des logiciels de gestion de références classiques avec les nouveaux outils basés sur l’IA. https://doi.org/10.3352/jeehp.2026.23.2
  6. TRIP Database. What 10,000 Clinical Questions Tell Us… : Cartographie des incertitudes cliniques à travers l’analyse de questions de praticiens. https://blog.tripdatabase.com/2026/01/17/what-10000-clinical-questions-tell-us-about-evidence-practice-and-uncertainty/
  7. Dundas NE, et al. « All That Shines Is Not Gold: Maintaining Scientific Rigor When Evaluating, Interpreting, and Reviewing Studies Using Large Language Models » : Réflexion sur le maintien de la rigueur scientifique lors de l’évaluation d’études utilisant des modèles de langage. https://doi.org/10.1097/ALN.0000000000005795

Thème 4 : Éthique, Sécurité et Confidentialité

  1. Faustini P, et al. « De-identification of clinical data: A systematic review of free text, image and tabular data approaches » : Revue systématique des approches de désidentification des données cliniques textuelles, visuelles et tabulaires. https://doi.org/10.1016/j.ijmedinf.2025.106225
  2. Kuo R, et al. « Benchmarking transformer-based models for medical record de-identification in a single center multi-specialty evaluation » : Analyse comparative de modèles transformeurs pour la désidentification des dossiers médicaux. https://doi.org/10.1016/j.isci.2025.113732
  3. Betley J, et al. « Training large language models on narrow tasks can lead to broad misalignment » : Démonstration que l’entraînement sur des tâches étroites peut mener à un désalignement général des modèles . https://doi.org/10.1038/s41586-025-09937-5
  4. Hagendorff T, Derner E, Oliver N. « Large reasoning models are autonomous jailbreak agents » : Étude sur les risques de détournement des capacités de raisonnement des IA pour contourner les barrières de sécurité. https://doi.org/10.1038/s41467-026-69010-1

Thème 5 : Impact sur la pratique et la profession

  1. Zhao J, et al. « Application of artificial intelligence tools and clinical documentation burden: a systematic review and meta-analysis » : Revue systématique et méta-analyse sur l’impact des outils d’IA sur la charge documentaire clinique. https://doi.org/10.1186/s12911-025-03324-w
  2. Cao W, et al. « From Agents to Governance: Essential AI Skills for Clinicians in the Large Language Model Era » : Identification des compétences essentielles en IA pour les cliniciens à l’ère des grands modèles de langage. https://doi.org/10.2196/86550
  3. Hao Q, Xu F, Li Y, et al. « Artificial intelligence tools expand scientists’ impact but contract science’s focus » : Analyse de l’impact de l’IA sur l’évolution des pratiques de recherche et la diversité de l’exploration scientifique. https://doi.org/10.1038/s41586-025-09922-y

Veille scientifique DéSaN Décembre 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 décembre 2025 et début 2026.

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

Thèmes Principaux et Idées Clés (réalisé avec Google NotebookLM)

1. Entrepôts de données et gestion des dossiers cliniques

  1. Lyu et al., « The development and use of data warehousing in clinical settings: a scoping review » : Une revue de l’utilisation des entrepôts de données pour optimiser les analyses de soins en milieu clinique. https://doi.org/10.3389/fdgth.2025.1599514
  2. Knezevic Ivanovski et al., « Building a healthcare data warehouse: considerations, opportunities, and challenges » : Analyse des défis architecturaux et des opportunités liés à la mise en place d’infrastructures de données de santé. https://doi.org/10.3389/fdgth.2025.1691142
  3. Soumma et al., « Design and Implementation of a Scalable Clinical Data Warehouse for Resource-Constrained Healthcare Systems » : Proposition d’un cadre d’entrepôt de données national évolutif adapté aux environnements à ressources limitées. https://doi.org/10.1109/EMBC58623.2025.11254202
  4. « OpenAI lance ChatGPT Santé, un dossier médical boosté à l’IA » : Présentation d’un nouvel espace sécurisé permettant aux patients de centraliser leurs données médicales pour obtenir des analyses personnalisées. https://www.apmnews.com/story.php?objet=431962
  5. Fa et al., « Prediction of prolonged length of stay from first 2 days of hospitalization data » : Modèle utilisant l’apprentissage automatique pour prédire précocement la durée de séjour hospitalier. https://doi.org/10.1093/intqhc/mzaf116
  6. Bazoge et al., « Improving social determinants of health documentation in French electronic health records using large language models » : Utilisation des LLM pour extraire les déterminants sociaux à partir de comptes rendus cliniques en français. https://doi.org/10.1038/s41598-025-29987-z

2. Évaluation, fiabilité et sécurité des modèles de langage (LLM)

  1. Gong et al., « Knowledge-Practice Performance Gap in Clinical Large Language Models: Systematic Review of 39 Benchmarks » : Étude soulignant l’écart entre les connaissances théoriques et l’application pratique des modèles en clinique. https://doi.org/10.2196/84120
  2. N K et al., « A Unified Multi-Domain Framework for Hallucination Detection and Reliability Evaluation in Large Language Models » : Introduction du benchmark MDH-Bench pour détecter les hallucinations et évaluer la robustesse des modèles. https://doi.org/10.21203/rs.3.rs-8215493/v1
  3. Zhou et al., « Automating expert-level medical reasoning evaluation of large language models » : Présentation de MedThink-Bench, un outil d’évaluation du raisonnement médical basé sur l’expertise humaine. https://doi.org/10.1038/s41746-025-02208-7
  4. Lee et al., « Vulnerability of Large Language Models to Prompt Injection When Providing Medical Advice » : Analyse de la vulnérabilité des modèles médicaux face aux attaques par injection de prompts. https://doi.org/10.1001/jamanetworkopen.2025.49963
  5. Liu et al., « A scoping review: how evaluation methods shape our understanding of ChatGPT’s effectiveness in healthcare » : Revue montrant comment les protocoles d’évaluation influencent les conclusions sur l’efficacité de l’IA. https://doi.org/10.1016/j.ijmedinf.2025.106248
  6. Lamba et al., « Hallucinations in Scholarly LLMs: A Conceptual Overview and Practical Implications » : Vue d’ensemble conceptuelle des erreurs générées par les modèles dans le cadre de la recherche académique. https://doi.org/10.52825/ocp.v8i.3175

3. Aide au diagnostic et extraction de connaissances

  1. Guillen-Ramirez et al., « LLM-augmented semantic embeddings enable Cross-Lingual mapping of medical procedure terms » : Cadre facilitant l’intégration multilingue des terminologies de procédures médicales. https://doi.org/10.1038/s41598-025-34778-7
  2. Kim et al., « MedSumGraph: enhancing GraphRAG for medical QA with summarization and optimized prompts » : Système combinant graphes de connaissances et résumés pour fiabiliser les réponses aux questions médicales. https://doi.org/10.1016/j.artmed.2025.103311
  3. Islam et al., « ZebraMap: A Multimodal Rare Disease Knowledge Map with Automated Data Aggregation & LLM-Enriched Information Extraction Pipeline » : Carte de connaissances dédiée au diagnostic des maladies rares par agrégation automatisée de données. https://doi.org/10.3390/diagnostics16010107
  4. Shao & Zhang, « Two-stage prompting framework with predefined verification steps for evaluating diagnostic reasoning tasks on two datasets » : Méthode de prompting avec étapes de vérification pour sécuriser le raisonnement diagnostique. https://doi.org/10.1038/s41746-025-02146-4
  5. Zhang & Jiang, « Accelerate Medical Discovery with PubMed in BigQuery » : Guide pour accélérer la recherche médicale grâce à l’analyse sémantique massive des données PubMed. https://cloud.google.com/blog/topics/public-sector/accelerate-medical-research-with-pubmed-data-now-available-in-bigquery

4. Pratiques de recherche scientifique et éthique de l’IA

  1. Cassell et al., « Analysis of article screening and data extraction performance by an AI systematic literature review platform » : Évaluation d’une plateforme automatisée pour le screening et l’extraction de données scientifiques. https://doi.org/10.3389/frai.2025.1662202
  2. Kusumegi et al., « Scientific production in the era of large language models » : Analyse de l’impact des LLM sur la productivité et la qualité linguistique de la littérature scientifique. https://doi.org/10.1126/science.adw3000
  3. Luo et al., « Reporting guideline for the use of Generative Artificial intelligence tools in MEdical Research: the GAMER Statement » : Nouvelles lignes directrices pour garantir la transparence de l’IA dans les publications de recherche. https://doi.org/10.1136/bmjebm-2025-113825
  4. Maisonneuve, « Le NEJM AI a ouvert la voie : reviewers, relecteurs, un métier en voie de disparition (rapide ?) » : Réflexion sur l’automatisation croissante de la relecture par les pairs. https://www.redactionmedicale.fr/2025/11/reviewers-relecteurs-un-metier-en-voie-de-disparition-le-nejm-ai-a-ouvert-la-voie
  5. Maupin et al., « Dramatic increases in redundant publications in the Generative AI era » : Étude documentant une hausse préoccupante des publications redondantes facilitées par l’IA. https://doi.org/10.1186/s12916-025-04569-y
  6. Shao et al., « SciSciGPT: advancing human–AI collaboration in the science of science » : Agent intelligent conçu pour automatiser les tâches complexes dans le domaine de la science de la science. https://doi.org/10.1038/s43588-025-00906-6
  7. Zhou & Hu, « Can AI assess literature like experts? An entropy-based comparison of ChatGPT-4o, DeepSeek R1, and human ratings » : Comparaison montrant que l’IA peut évaluer la qualité littéraire de manière comparable aux experts. https://doi.org/10.3389/frma.2025.1684137
  8. Tay, « “We’re Good at Search”… Just Not the Kind That the AI era Demands – a Provocation » : Discussion sur la nécessité de faire évoluer les compétences de recherche vers des modèles agentiques et sémantiques. https://aarontay.substack.com/p/were-good-at-search-just-not-the

Veille scientifique DéSaN Novembre 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 novembre 2025.

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

Thèmes Principaux et Idées Clés (réalisé avec Google NotebookLM)

I. Applications Cliniques et Évaluation des LLMs

  1. Angus D.C., Khera R. et al. – AI, Health, and Health Care Today and Tomorrow – The JAMA Summit Report on Artificial Intelligence : Cet article souligne le marché croissant des outils d’IA en santé, le manque d’évaluation de leurs effets sur la santé, et le besoin d’une réglementation limitée et d’infrastructures de données robustes. https://doi.org/10.1001/jama.2025.18490
  2. Germani F, Spitale G. – Source framing triggers systematic bias in large language models : Cette étude évalue l’impact de l’attribution de la source (LLM ou nationalité) sur le biais des modèles de langage lors de l’évaluation de leur accord avec des récits socialement sensibles. https://doi.org/10.1126/sciadv.adz2924
  3. Gosak L, Štiglic G, Tam WWS, et al. – Human-led and artificial intelligence-automated critical appraisal of systematic reviews: Comparative evaluation : Cette étude compare la performance de cinq grands modèles de langage (LLMs) à celle d’évaluateurs humains pour l’évaluation critique de revues systématiques en soins infirmiers. https://doi.org/10.1016/j.nepr.2025.104614
  4. Metzner C, Gao S, Herrmannova D, et al. – Deformable phrase level attention: A flexible approach for improving AI based medical coding : Cet article propose le mécanisme Deformable Phrase-Level Attention (DPLA) pour améliorer l’encodage médical automatisé et l’extraction d’informations critiques à partir de documents cliniques (EHRs, rapports SEER). https://doi.org/10.1016/j.artmed.2025.103299
  5. Qiu P. et al. – MedR-Bench: The first benchmark specifically designed to evaluate the medical reasoning capabilities of state-of-the-art LLMs : MedR-Bench est un benchmark complet basé sur 1453 cas cliniques structurés qui évalue le raisonnement médical des LLMs dans les domaines du diagnostic, du traitement et des recommandations d’examens. https://doi.org/10.1038/s41467-025-64769-1
  6. Pratte M, Thirukumar S, Zhang C, et al. – Can large language models approximate the results of meta-analyses in critical care? A meta-research study : Cette méta-étude évalue la capacité des LLMs (DeepResearch) à approximer les résultats (taille de l’effet, notation GRADE) d’analyses systématiques et de méta-analyses en soins intensifs. https://doi.org/10.1016/j.jcrc.2025.155358
  7. Shao C, Snyder D, Li C, et al. – Scalable Medication Extraction and Discontinuation Identification from Electronic Health Records Using Large Language Models : Cette étude évalue 12 LLMs pour l’extraction de médicaments et l’identification de leur statut d’arrêt à partir des dossiers de santé électroniques (DSE). https://doi.org/10.1016/j.jclinepi.2025.112049

II. Méthodologies d’Optimisation des Modèles et PNL Biomédicale

  1. Fang L, Yu X, Cai J, et al. – Knowledge distillation and dataset distillation of large language models: emerging trends, challenges, and future directions : Cette étude analyse les paradigmes complémentaires de Distillation de Connaissances (KD) et de Distillation de Datasets (DD) pour compresser les LLMs tout en maintenant leurs capacités de raisonnement, avec des applications en santé. https://doi.org/10.1007/s10462-025-11423-3
  2. Hasan MJ, Rahman F, Mohammed N. – OptimCLM: Optimizing clinical language models for predicting patient outcomes via knowledge distillation, pruning and quantization : OptimCLM est un framework visant à optimiser les Modèles de Langage Cliniques (CLMs) pour la prédiction des résultats des patients via la distillation de connaissances et la compression. https://doi.org/10.1016/j.ijmedinf.2024.105764
  3. Yang T, Xiao Y, Bao Z, et al. – The rise and potential opportunities of large language model agents in bioinformatics and biomedicine : Cette revue passe en revue les agents LLM en bioinformatique et en biomédecine, détaillant leur architecture, leurs applications (diagnostic, développement de médicaments) et les défis éthiques et techniques qu’ils posent. https://doi.org/10.1093/bib/bbaf601
  4. Li M, Zhan Z, Yang H, et al. – Benchmarking retrieval-augmented large language models in biomedical NLP: Application, robustness, and self-awareness : Cette étude évalue les modèles de langage augmentés par récupération (RALs) dans les tâches de PNL biomédicale pour mesurer leur efficacité à réduire les hallucinations en utilisant des bases de connaissances externes comme PubMed. https://doi.org/10.1126/sciadv.adr1443

III. Éthique, Éducation et Implémentation de l’IA en Santé

  1. Abdulnour R-E, . Educational Strategies for Clinical Supervision of Artificial Intelligence Use : Cet article explore l’impact et l’intégration de la littératie IA dans l’éducation médicale. http://doi.org/10.1056/NEJMra2503232
  2. Haute Autorité de Santé (HAS) – Premières clefs d’usage de l’IA générative en santé : Ce guide de la HAS fournit les premières clés pour un usage raisonné de l’IA générative en santé, structurées autour des lignes directrices A.V.E.C. (Apprendre, Vérifier, Estimer, Communiquer). https://www.has-sante.fr/jcms/p_3703115/fr/premieres-clefs-d-usage-de-l-ia-generative-en-sante
  3. Itani A, Gronseth SL, Musaad S, et al. – Ethical considerations for teaching with artificial intelligence: a scoping review in medical education settings : Cette revue de la littérature examine les considérations éthiques (confidentialité, biais, transparence algorithmique) liées à l’enseignement avec l’IA dans l’éducation médicale. https://doi.org/10.1186/s41239-025-00563-9
  4. Izquierdo-Condoy JS, Arias-Intriago M, Tello-De-la-Torre A, et al. – Generative AI and Critical Thinking in Medical Education : Cet article de perspective évalue l’impact de l’IA générative sur la pensée critique dans la formation médicale, soulignant le risque de dépendance cognitive et la nécessité d’une intégration éthique. https://doi.org/10.2196/76340
  5. Steiner J.F. – Generative AI in Scientific Writing: Temptation, Efficiency, and the Risk of Dependence : Cet article discute du rôle de l’IA générative dans la rédaction scientifique (par exemple, le résumé d’abstracts) et du risque de dépendance pour les chercheurs ayant peu de formation en écriture. https://doi.org/10.1001/jamainternmed.2025.6078.

IV. Infrastructure Documentaire et Recherche d’Information

  1. [Bouchard] – Sortir de Google Scholar, Scopus ou Web of Science: Que valent Lens, Dimensions, OpenAlex et Matilda pour la recherche bibliographique? : Cette ressource compare les outils de recherche bibliographique académique (Google Scholar, Scopus) aux méga-index freemium (Lens, Dimensions) et aux initiatives ouvertes (OpenAlex, Matilda). https://urfist.chartes.psl.eu/ressources/sortir-de-google-scholar-scopus-ou-web-science-que-valent-lens-dimensions-openalex-et
  2. ZB MED – Informationszentrum Lebenswissenschaften – Data Quality Made Visible: Pubservatory Highlights PubMed Updates : Pubservatory est un nouvel outil de ZB MED qui rend visible la curation continue (ajouts et suppressions) de la base de données PubMed pour assurer l’intégrité des données. https://www.zbmed.de/en/about/press/latest-news/article/pubservatory-data-quality-made-visible
  3. Kysh L, Baker Z, Bogucka R, et al. – Developing and validating infant hedges for PubMed and Ovid MEDLINE: a Medical Library Association Pediatric Librarians Caucus initiative : Ce projet de bibliothécaires décrit la méthodologie de développement et de validation de filtres de recherche sensibles pour la population infantile dans PubMed et Ovid MEDLINE. https://doi.org/10.5195/jmla.2025.2034
  4. Müller A, Wündisch E, Wirth FN, et al. – The Advanced Confidentiality Engine as a Scalable Tool for the Pseudonymization of Biomedical Data in Translational Settings: Development and Usability Study : L’article présente l’Advanced Confidentiality Engine (ACE), un service de pseudonymisation open-source hautement évolutif conçu pour la recherche biomédicale translationnelle et la gestion des liens protégés. https://doi.org/10.2196/71822
  5. Trip Database Blog – What Is Vector Search : Cette ressource explique la recherche vectorielle (Vector Search), qui trouve la signification sémantique des mots, améliorant la recherche en langage naturel pour l’extraction de preuves et l’IA. https://blog.tripdatabase.com/2025/11/05/what-is-vector-search/
  6. Shankar R, Qian X. – Context is King: From Prompt Engineering to Context Engineering in Healthcare AI : Ces extraits répertorient les composants fondamentaux pour l’ingénierie de contexte en santé, y compris différents types de données (laboratoire, imagerie, génomique) pour les systèmes IA. https://doi.org/10.2139/ssrn.5365971

Veille scientifique DéSaN Octobre 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 d’octobre 2025.

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

Thèmes Principaux et Idées Clés (réalisé avec Google NotebookLM)

Grands Modèles de Langage (LLM) et Applications Cliniques/Données Patients

  1. M. Agrawal et al., ‘The evaluation illusion of large language models in medicine’: Ce document met en lumière les lacunes dans l’évaluation rigoureuse des LLM cliniques et plaide pour une approche d’évaluation multidisciplinaire .
  2. S. Park et al., ‘Improving mortality prediction after radiotherapy with large language model structuring of large-scale unstructured electronic health records’: L’étude utilise des LLM (comme LLaMA-3) pour structurer des dossiers de santé électroniques non structurés afin d’améliorer la prédiction de la mortalité après radiothérapie .
  3. P. Renc et al., ‘Foundation model of electronic medical records for adaptive risk estimation’: Présentation d’un modèle fondamental (ETHOS) utilisant des chronologies d’historique patient (PHT) tokenisées pour l’estimation adaptative des risques .
  4. Y. Artsi et al., ‘Large language models in real-world clinical workflows: a systematic review of applications and implementation’: Une revue systématique se concentre sur l’évaluation des outils basés sur les LLM intégrés dans des flux de travail cliniques réels.
  5. M. van Velzen et al., ‘Privacy-, linguistic-, and information-preserving synthesis of clinical documentation through generative agents’: Proposition d’un protocole de génération de données de santé synthétiques (SHDG) assisté par agents génératifs pour une documentation transparente et préservant la confidentialité .
  6. L. Boyer et al., ‘Reimagining patient-reported outcomes in the age of generative AI’: Ce document réimagine les résultats rapportés par les patients (PRO) à l’ère de l’IA générative.
  7. L. Murali et al., ‘Integrating LLMs and Knowledge Graphs for Medical AI: Advances, Challenges, and Future Directions’: Revue des avancées, défis et directions futures de l’intégration des LLM et des graphes de connaissances pour l’IA médicale.

Traitement Automatique du Langage Naturel (TALN) Spécifique et Extraction d’Informations

  1. T. Fabacher et al., ‘Efficient extraction of medication information from clinical notes: an evaluation in 2 languages’: Une nouvelle architecture TALN est proposée pour extraire efficacement les informations de médication (entités et relations) des notes cliniques françaises et anglaises .
  2. H. Jafarpour et al., ‘Preprocessing narrative texts in electronic medical records to identify hospital adverse events: A scoping review’: Revue des techniques de prétraitement du texte narratif des DME pour l’identification des événements indésirables hospitaliers (HAE) .
  3. F. Le Gac et al., ‘Comparing three natural language processing methods for the automatic identification of epilepsy patients from French clinical notes’: L’étude compare trois méthodes TALN pour identifier automatiquement les patients épileptiques à partir de notes cliniques françaises.
  4. L. Liu et al., ‘Using natural language processing to extract information from clinical text in electronic medical records for populating clinical registries: a systematic review’: Une revue systématique évalue l’utilisation et l’efficacité du TALN pour extraire des informations des textes cliniques afin de remplir des registres cliniques.

Outils et Méthodes Documentaires, Recherche et Revue Systématique

  1. A. De Cassai et al., ‘Combining large language models enhances screening sensitivity in systematic reviews’: L’étude démontre que la combinaison de plusieurs LLM augmente la sensibilité du criblage titre/abstract dans les revues systématiques .
  2. P. Martinolli, ‘Enrichir sa collection de références Zotero grâce à l’extension Cita’: Ce billet présente l’extension Zotero Cita pour enrichir les références avec des identifiants pérennes et des données de citation .
  3. K. Metze et al., ‘Misinformation, false positives and delegation of tasks – Large Language Models should not be used for the detection of retracted literature – A study of 21 Chatbots’: Ce travail conclut que les LLM ne devraient pas être utilisés pour la détection de la littérature scientifique rétractée .
  4. S. Pouyllau, ‘Explorer ses documents de travail avec les méthodes de la Retrieval-Augmented Generation : créer, démonter et mettre en œuvre une application Web complète’: Le billet présente une application web Streamlit utilisant la technique Retrieval-Augmented Generation (RAG) pour interroger des documents de recherche.
  5. Une nouvelle terminologie bilingue disponible sur Loterre Istex: Annonce de la publication sur Loterre d’une terminologie bilingue structurée (français/anglais) consacrée au Traitement Automatique des Langues (TAL).
  6. V. Vera et al., ‘AI-Augmented Search for Systematic Reviews: A Comparative Analysis’: L’étude compare l’outil NeuroLit Navigator (IA neurosymbolique) à des LLM commerciaux pour la création de stratégies de recherche en revue systématique.
  7. X. Xing et al., ‘Leveraging AI for Meta-Analysis: Evaluating LLMs in Detecting Publication Bias for Next-Generation Evidence Synthesis’: Ce document aborde l’utilisation des LLM pour détecter le biais de publication dans les revues systématiques .
  8. O. Dyer, ‘PubMed is running on autopilot during shutdown, but key independent committee has been abolished’: Le document mentionne la suppression d’un comité indépendant clé et l’exécution du processus Medline en « pilote automatique » pendant l’arrêt.
  9. J. B. Cabello et al., ‘Critical appraisal tools for artificial intelligence clinical studies: a scoping review’: Revue de la portée des outils d’évaluation critique pour les études cliniques impliquant l’intelligence artificielle.

Réglementation, Éthique, Biais et Sécurité de l’IA

  1. D. Lecomte et al., ‘Intelligence artificielle et responsabilité médicale. Quels enjeux ? – Académie nationale de médecine’: Ce rapport examine les implications de l’IA sur la responsabilité médicale, soulignant les obligations légales et la « garantie humaine ».
  2. H. Wang and W. Lu, ‘Cognitive priming in AI: Bias identification and analysis in electronic health records’: Cette étude analyse la classification des biais subtils (crédibilité, conformité) présents dans les textes narratifs des DME .
  3. C. Wardle et al., ‘Evolving Health Information-Seeking Behavior in the Context of Google AI Overviews, ChatGPT, and Alexa: Interview Study Using the Think-Aloud Protocol’: Le document met en évidence les défis multilingues et culturels liés à l’utilisation des LLM par les patients pour la recherche d’informations sur la santé .
  4. S. Chen et al., ‘When helpfulness backfires: LLMs and the risk of false medical information due to sycophantic behavior’: L’article met en garde contre le risque de fausses informations médicales dues au comportement sycophantique (servile) des LLM.
  5. Z. Wang et al., ‘Artificial Intelligence Is Stereotypically Linked More with Socially Dominant Groups in Natural Language’: Ce travail montre que l’IA est stéréotypiquement associée davantage aux groupes socialement dominants dans le langage naturel.
  6. Y. Yang et al., ‘Adversarial prompt and fine-tuning attacks threaten medical large language models’: Cette recherche analyse les attaques adverses basées sur le prompt ou le fine-tuning des LLM médicaux .
  7. M. Hutson, ‘AI models that lie, cheat and plot murder: how dangerous are LLMs really?’: L’article interroge sur la dangerosité réelle des LLM, y compris leur capacité à mentir, tricher ou comploter .
  8. N. Köbis et al., ‘Delegation to artificial intelligence can increase dishonest behaviour’: L’étude démontre que la délégation de tâches à l’IA peut augmenter le comportement malhonnête .

Contexte et Perspectives en Santé Publique Numérique

  1. R. Thiébaut, ‘Santé publique numérique, sciences des données, intelligence artificielle, données massives – Où va l’épidémiologie ?’: Cet article explore l’avenir de l’épidémiologie face à la santé publique numérique, aux mégadonnées et aux défis de l’inférence causale et de la formation .

Veille scientifique DéSaN Août-Septembre 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 les mois d’août et septembre 2025.

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

Thèmes Principaux et Idées Clés (réalisé avec Google NotebookLM)

I. Modèles de Langage (LLMs) et Cadres Fondamentaux

Ce thème couvre la nouvelle génération de modèles, leurs capacités multilingues, leur architecture et leur évaluation générale dans le domaine biomédical.

  1. Apertus un modèle de langage multilingue, ouvert et transparent – EPFL: Présente Apertus, le premier grand modèle de langage open source et multilingue développé en Suisse pour une IA transparente et inclusive.
  2. Buess L, et al. From large language models to multimodal AI: a scoping review on the potential of generative AI in medicine.: Revue exhaustive sur l’IA générative en médecine, couvrant les modèles (LLMs et MLLMs), les jeux de données spécialisés et les métriques d’évaluation.
  3. Liu J, et al. Prompt Engineering in Clinical Practice: Tutorial for Clinicians.: Tutoriel sur l’ingénierie des prompts (ex. few-shot, Chain-of-Thought) pour améliorer l’efficacité et la sécurité des LLMs dans les applications cliniques.
  4. Savage T, et al. Fine-Tuning Methods for Large Language Models in Clinical Medicine by Supervised Fine-Tuning and Direct Preference Optimization: Comparative Evaluation.: Évaluation du fine-tuning DPO sur les LLMs pour quatre tâches cliniques fondamentales : classification, triage, raisonnement clinique et résumé de notes.
  5. Feng Y, et al. A retrieval-augmented knowledge mining method with deep thinking LLMs for biomedical research and clinical support.: Propose un cadre (BioStrataKG et IP-RAR) intégrant graphes de connaissances et LLMs pour l’extraction de connaissances biomédicales et le support clinique.
  6. Thelwall M, Jiang X. Is OpenAlex suitable for research quality evaluation and which citation indicator is best?: Utilisation d’OpenAlex pour l’évaluation de la qualité de la recherche et l’analyse de l’efficacité des indicateurs de citation.

II. Applications Cliniques et Systèmes d’Aide à la Décision (CDSS)

Ces ressources explorent l’intégration directe de l’IA dans les flux de travail cliniques, de la sécurité médicamenteuse à la documentation.

  1. Elmaleh Y, et al. Intelligence artificielle en anesthésie-réanimation : quoi de neuf en 2025 ?: Présente un panorama des applications de l’IA en anesthésie-réanimation (EEG, échoguidage, jumeaux numériques) et explore les enjeux éthiques et de validation.
  2. Hsu H-Y, et al. Extracting Clinical Guideline Information Using Two Large Language Models: Evaluation Study.: Évalue l’utilisation de deux LLMs (GPT-4o et Gemini-1.5-Pro) pour l’extraction de lignes directrices cliniques en pharmacogénomique (PGx) afin d’alimenter les CDSS.
  3. Ong JCL, et al. Large language model as clinical decision support system augments medication safety in 16 clinical specialties.: Utilisation d’un modèle de langage RAG et d’une stratégie de Chain-of-Thought comme système d’aide à la décision clinique (CDSS) pour renforcer la sécurité des médicaments.
  4. Small WR, et al. Evaluating Hospital Course Summarization by an Electronic Health Record-Based Large Language Model.: Évaluation du partenariat médecin-LLM (intégré au DME) pour la création de résumés de parcours hospitalier de haute qualité.
  5. Pasquariello LD, et al. Current and Future Applications of AI in EMS Training: A Scoping Review.: Revue systématique axée sur le rôle de l’IA dans l’éducation des services médicaux d’urgence (EMS).
  6. Singh S, et al. Advancing AMR Surveillance: Confluence of One Health and Big Data Integration : Converging One Health and Big Data for AMR.: Étude de la convergence de l’approche One Health et du Big Data pour faire progresser la surveillance de la résistance aux antimicrobiens (AMR).

III. LLMs et Revue Systématique (Synthèse des Preuves)

Ces documents décrivent comment les LLMs sont utilisés pour automatiser et améliorer les tâches chronophages de la revue systématique, allant du criblage à l’évaluation du risque de biais.

  1. Rashid M, et al. Role of Generative Artificial Intelligence in Assisting Systematic Review Process in Health Research: A Systematic Review.: Revue systématique sur l’utilisation de l’IA générative dans les différentes étapes des revues systématiques (criblage, extraction de données, évaluation du risque de biais).
  2. Wang Z, et al. A foundation model for human-AI collaboration in medical literature mining.: Présente LEADS, un modèle LLM spécialisé pour les revues systématiques, qui décompose les tâches de literature mining pour une collaboration homme-IA efficace.
  3. Wang Z, et al. Accelerating clinical evidence synthesis with large language models.: Décrit TrialMind, un pipeline basé sur l’IA et aligné avec PRISMA pour accélérer la synthèse des preuves cliniques.
  4. Dogra S, et al. Evaluating Large Language Models for Radiology Systematic Review Title and Abstract Screening.: Évaluation des modèles de langage (LLMs) pour le criblage de titres et d’abstracts dans les revues systématiques en radiologie.
  5. Janoudi G, et al. Validating Loon Lens 1.0 for Autonomous Abstract Screening and Confidence-Guided Human-in-the-Loop Workflows in Systematic Reviews.: Validation d’un outil (« Loon Lens 1.0 ») pour le criblage automatisé d’abstracts dans les revues systématiques, avec une approche homme-dans-la-boucle.
  6. Marques-Cruz M, et al. Use of artificial intelligence to support the assessment of the methodological quality of systematic reviews.: Les LLMs peuvent soutenir l’évaluation de la qualité méthodologique des revues systématiques en utilisant des outils validés.
  7. Taneri PE. Human Versus Artificial Intelligence: Comparing Cochrane Authors’ and ChatGPT’s Risk of Bias Assessments.: Utilisation et évaluation des LLMs pour l’évaluation du risque de biais (RoB 2) dans les revues systématiques.
  8. Sercombe J, et al. Evaluating a Customized Version of ChatGPT for Systematic Review Data Extraction in Health Research: Development and Usability Study.: Évaluation d’un GPT personnalisé (« Systematic Review Extractor Pro ») pour l’extraction de données dans le cadre de revues systématiques.
  9. Keplinger LE, et al. Assessment of Deep Research for dermatology literature reviews: Deep concern over the hype.: Évaluation de cinq modèles de recherche avancés (« Deep Research ») pour la rédaction de revues scientifiques.
  10. Goyal A, et al. Accuracy of artificial intelligence in meta-analysis: A comparative study of ChatGPT 4.0 and traditional methods in data synthesis.: Étude comparative évaluant la précision de ChatGPT 4.0 par rapport aux méthodes traditionnelles dans la synthèse de données pour les méta-analyses.

IV. Données de Santé, Confidentialité et Interopérabilité

Ces sources traitent des défis fondamentaux liés à la gestion des données massives (Big Data), à leur confidentialité et à l’interopérabilité nécessaire pour l’IA.

  1. Bockhacker M, et al. Lessons Learned From Building a Data Platform for Longitudinal, Analytical Use Cases and Scaling to 77 German Hospitals: Implementation Report.: Aborde l’approche de centralisation des données hospitalières pour la recherche et les défis réglementaires liés au stockage on-premise.
  2. Ford E, et al. What is the patient re-identification risk from using de-identified clinical free text data for health research?: Traite de l’éthique de l’utilisation des textes cliniques libres pour la recherche, insistant sur la dé-identification et le risque de ré-identification patient.
  3. de Barros Vanzin VJ, et al. LLM-based approaches for automated vocabulary mapping between SIGTAP and OMOP CDM concepts.: Utilisation des LLMs et de l’approche RAG pour la cartographie automatisée des terminologies médicales (SIGTAP et OMOP CDM) afin d’améliorer l’interopérabilité.

V. Analyse du Texte Clinique (NLP), Codage et Génération Synthétique

Ce groupe se concentre sur les techniques d’analyse du langage naturel appliquées aux dossiers patients, y compris la génération de données pour pallier les problèmes de confidentialité.

  1. Li X, et al. Deep learning for automatic ICD coding: Review, opportunities and challenges.: Revue systématique des méthodes d’apprentissage profond pour le codage automatique de la CIM (ICD), soulignant les défis et l’importance d’intégrer des connaissances auxiliaires.
  2. Sadoune S, et al. Automatic analysis of negation cues and scopes for medical texts in French using language models.: Étude sur l’analyse automatique des négations dans les textes médicaux en français, notamment les comptes rendus de radiologie.
  3. Ouzar Y, et al. Interpretable one-class classification framework for prescription error detection using BERT embeddings and dimensionality reduction.: Présente un cadre de classification interprétable pour la détection d’erreurs de prescription, utilisant les embeddings BERT et la génération de données synthétiques non valides.
  4. McMurry AJ, et al. Large Language Model Symptom Identification From Clinical Text: Multicenter Study.: Évaluation des stratégies de prompt et des pipelines de parsing des LLMs pour l’identification de symptômes dans les notes de service d’urgence.
  5. Guerra-Adames A, et al. Génération de données de santé synthétiques : état de l’art en vue de la classification des mécanismes des traumatismes.: Présente une revue et une approche hybride pour la génération de données médicales synthétiques (tabulaires et textuelles via LLMs) afin d’assurer la reproductibilité et la confidentialité.
  6. Ducel F, et al. “Women do not have heart attacks!” Gender Biases in Automatically Generated Clinical Cases in French.: Décrit l’utilisation de LLMs multilingues (français) pour générer des cas cliniques synthétiques et évaluer les biais de genre.

VI. Gouvernance, Stratégie et Défis Institutionnels

Cette catégorie fournit un contexte essentiel sur l’adoption, le financement et les risques organisationnels et éthiques de l’IA dans les systèmes de santé publics.

  1. FHF – L’IA en santé : qui est le maître ?: Baromètre de la FHF sur l’adoption de l’IA dans les hôpitaux publics (diagnostic, efficacité opérationnelle, gestion) et les défis (financement, biais, données).
  2. Deng X, Li H. How large language models need symbolism.: Discussion sur la nécessité pour les grands modèles de langage d’intégrer le symbolisme.
  3. Naddaf M. AI tool detects LLM-generated text in research papers and peer reviews.: Publication traitant d’un outil d’IA capable de détecter les textes générés par des LLMs dans les articles de recherche et les revues par les pairs.

Veille scientifique DéSaN Juillet 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 juillet 2025.

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

Thèmes Principaux et Idées Clés (réalisé avec Google NotebookLM)

Applications Cliniques Spécifiques des LLM

  1. Abdellaoui C, Redjdal A, Seroussi B. Generative-AI-Based Approaches for Information Extraction from Clinical Notes: A Scoping Review. : Ce document examine l’application des grands modèles linguistiques (LLM) pour l’extraction d’informations à partir de documents cliniques, en se concentrant sur les stratégies d’ingénierie des prompts et l’analyse comparative des performances .
  2. Isaradech N, Riedel A, Sirikul W, Kreuzthaler M, Schulz S. Zero- and few-shot Named Entity Recognition and Text Expansion in medication prescriptions using large language models. : Cette étude explore l’utilisation des LLM pour la reconnaissance d’entités nommées et l’expansion de texte dans les prescriptions de médicaments, soulignant l’importance de l’ingénierie des prompts .
  3. Williams CYK, Subramanian CR, Ali SS, Apolinario M, Askin E, Barish P, et al. Physician- and Large Language Model-Generated Hospital Discharge Summaries. : Cette étude évalue la capacité de GPT-4 à résumer des informations à partir de notes cliniques pour les transformer en narratifs de sortie d’hôpital, comparant sa qualité aux résumés humains .
  4. Xue J, Lu P. ICD code mapping model based on clinical text tree structure. : Cette étude présente un modèle de mapping des codes CIM (Classification Internationale des Maladies) basé sur la structure arborescente du texte clinique, détaillant le prétraitement des dossiers pour la classification automatique des codes .
  5. Zhou S, Xu Z, Zhang M, Xu C, Guo Y, Zhan Z, et al. Large language models for disease diagnosis: a scoping review. : Cette revue de portée examine l’utilisation des LLM pour le diagnostic des maladies, explorant les spécialités cliniques, les types de données, les modalités et les techniques d’LLM appliquées .
  6. Liang EN, Pei S, Staibano P, van der Woerd B. Clinical applications of large language models in medicine and surgery: A scoping review. : Cette revue de portée offre un aperçu complet de l’utilisation actuelle des LLM en médecine clinique et en chirurgie, incluant leurs caractéristiques, applications et état de préparation .

Méthodologies d’Optimisation et d’Ingénierie des Prompts

  1. Jeon S, Kim H-G. A comparative evaluation of chain-of-thought-based prompt engineering techniques for medical question answering. : Cette étude évalue les techniques d’ingénierie des prompts basées sur le « raisonnement en chaîne » pour les questions-réponses médicales à l’aide des LLM sur divers ensembles de données cliniques .
  2. Li S, Zheng C, Wu J, Xu Q, Xu X, Wang H, et al. Verification is All You Need: Prompting Large Language Models for Zero-Shot Clinical Coding. : Cette recherche intègre des LLM avec des données EHR longitudinales structurées via un cadre de prompts pour des prédictions cliniques à zéro-shot, démontrant une performance supérieure sans données étiquetées.
  3. Wang Z, Wang H, Danek B, Li Y, Mack C, Arbuckle L, et al. A perspective for adapting generalist AI to specialized medical AI applications and their challenges. : Ce document propose un cadre pour adapter les IA généralistes aux applications médicales spécialisées, incluant des stratégies d’optimisation (prompts, fine-tuning) et d’ingénierie de systèmes (agents, chaînes d’IA) .

Évaluation des Performances et des Biais des LLM

  1. Avnat E, Levy M, Herstain D, Yanko E, Ben Joya D, Tzuchman Katz M, et al. Performance of Large Language Models in Numerical Versus Semantic Medical Knowledge: Cross-Sectional Benchmarking Study on Evidence-Based Questions and Answers. : Cette étude évalue la performance des LLM (ChatGPT-4 et Claude3-Opus) sur des questions médicales numériques et sémantiques, les comparant aux experts humains et constatant une meilleure performance sur le sémantique .
  2. Fajkis-Zajączkowska N, Zawada A, Bojko M, Kolasa K. Comprehensive analysis of frameworks for evaluating artificial intelligence solutions in Healthcare: A descriptive review. : Cette étude analyse les cadres existants pour l’évaluation des solutions d’IA en santé, regroupant les critères en cinq domaines clés : clinique, économique, éthique, sécurité et convivialité.
  3. Naliyatthaliyazchayil P, Muthyala R, Gichoya JW, Purkayastha S. Evaluating the Reasoning Capabilities of Large Language Models for Medical Coding and Hospital Readmission Risk Stratification: Zero-Shot Prompting Approach. : Cette étude évalue des LLM de pointe (ChatGPT-4, LLaMA-3.1, Gemini-1.5, DeepSeek-R1, OpenAI-O3) sur des tâches de santé spécifiques comme le diagnostic principal et la prédiction du risque de réadmission à partir de notes cliniques.
  4. Lu H, Lin Y, Li Z, Yiu ML, Gao Y, Uddin S. Toward fair medical advice: Addressing and mitigating bias in large language model-based healthcare applications. : Cette étude se concentre sur l’abordage et l’atténuation des biais dans les applications de santé basées sur les LLM qui fournissent des conseils médicaux.
  5. Templin T, Fort S, Padmanabham P, Seshadri P, Rimal R, Oliva J, et al. Framework for bias evaluation in large language models in healthcare settings. : Ce document propose un cadre en cinq étapes pour évaluer rigoureusement les biais dans le diagnostic assisté par IA et autres décisions médicales, impliquant les parties prenantes et une surveillance continue .
  6. Laurito W, Davis B, Grietzer P, Gavenčiak T, Böhm A, Kulveit J. AI-AI bias: Large language models favor communications generated by large language models. : Cette étude révèle un biais des grands modèles linguistiques (LLM) qui tendent à favoriser les communications générées par d’autres LLM, un phénomène appelé « biais IA-IA ».

LLM et Gestion de la Littérature Scientifique (Revues Systématiques, Rédaction)

  1. Homiar A, Thomas J, Ostinelli EG, Kennett J, Friedrich C, Cuijpers P, et al. Development and evaluation of prompts for a large language model to screen titles and abstracts in a living systematic review. : Cette recherche évalue l’efficacité des LLM (GPT-4o) pour le criblage de titres et résumés dans les revues systématiques, visant à réduire la charge de travail des évaluateurs humains via l’ingénierie des prompts.
  2. Kobak D, González-Márquez R, Horvát E-Á, Lause J. Delving into LLM-assisted writing in biomedical publications through excess vocabulary. : Cette étude utilise l’analyse de l’excès de vocabulaire dans les résumés PubMed pour estimer l’utilisation généralisée des LLM dans la rédaction scientifique biomédicale, atteignant au moins 13,5% en 2024 .
  3. Moons P, Dou B, Desmedt C. Google’s AI co-scientist and OpenAI’s deep research: new partners in health research? : Ce document aborde les limites des systèmes d’IA multi-agents pour le traitement de la littérature scientifique (notamment les revues systématiques) et présente d’autres outils d’IA pour la synthèse littéraire et l’analyse de données .
  4. Rokhshad R, Bagherianlemraski M, Ehsani SS, Haghighat S, Schwendicke F. Large language models for the screening step in systematic reviews in dentistry. : Cette étude évalue la performance des chatbots LLM pour le criblage d’articles dans les revues systématiques en dentisterie, soulignant leur potentiel pour l’efficacité et la réduction de la charge de travail .

Gouvernance, Éthique et Intégration des LLM en Santé

  1. Davis HA, Kerkman D, Hoberg AA, Countryman M, Beaver W, Bybee K, et al. Establishing data governance for sharing and access to real-world data: a case study. : Ce document décrit l’évolution d’un processus de gouvernance des données pour le partage de données cliniques à des fins de recherche, abordant les étapes clés et les considérations pour les technologies d’IA émergentes .
  2. Jia J, Nishi H. A flexible two-stage anonymization framework for narrative medical records adapting to various language models. : Ce document propose un cadre d’anonymisation en deux étapes pour les dossiers médicaux narratifs, évaluant l’efficacité des modèles BERT et des LLM pour la détection d’entités et l’anonymisation .
  3. Li H, Fu J-F, Python A. Implementing Large Language Models in Health Care: Clinician-Focused Review With Interactive Guideline. : Cette revue propose un guide systématique pour les cliniciens afin de sélectionner des LLM adaptés à leurs tâches, en examinant leurs applications et défis dans un flux de travail clinique en 5 étapes .
  4. Moëll B, Sand Aronsson F. Harm Reduction Strategies for Thoughtful Use of Large Language Models in the Medical Domain: Perspectives for Patients and Clinicians. : Ce document détaille des cas d’usage judicieux et potentiellement problématiques des LLM pour les cliniciens et les patients, en mettant l’accent sur la réduction des risques et les stratégies d’intégration responsable.
  5. Luo X, Wang B, Shi Q, Wang Z, Lai H, Liu H, et al. Lack of Methodological Rigor and Limited Coverage of Generative AI in Existing AI Reporting Guidelines: A Scoping Review. : Cette revue de portée cartographie les lignes directrices de rapportage de l’IA en médecine, évaluant leur applicabilité aux outils d’IA générative comme les LLM et identifiant les lacunes méthodologiques.
  6. Sundar KR. When Patients Arrive With Answers. : Cet article discute de la situation où les patients arrivent avec des « réponses » (probablement générées par l’IA), soulevant des questions pour la pratique clinique.

LLM dans des Domaines Spécialisés (Bioinformatique, Éducation Médicale)

  1. Elvas LB, Almeida A, Ferreira JC. Natural language processing in medical text processing: A scoping literature review. : Cette revue de portée explore l’état de l’art des approches de traitement du langage naturel pour les textes médicaux, avec un accent sur la reconnaissance d’entités nommées basée sur les transformateurs dans des contextes multilingues.
  2. Keykha A, Fazlali B, Behravesh S, Farahmandpour Z. Integrating Artificial Intelligence in Medical Education: A Meta-Synthesis of Potentials and Pitfalls of ChatGPT. : Cette source explore les défis majeurs de l’utilisation de ChatGPT dans l’éducation médicale, en se basant sur une approche d’analyse thématique des concepts clés .
  3. Lavigne E, Lopez A, Frandon J, Blaizot G, Gabellier L, Adham S, et al. AI-Standardized Clinical Examination Training on OSCE Performance. : Cette étude évalue l’impact d’une méthodologie d’examen clinique standardisée par IA (alimentée par GPT-4) sur la performance des étudiants en médecine aux examens cliniques objectifs structurés (OSCE).
  4. Lin A, Ye J, Qi C, Zhu L, Mou W, Gan W, et al. Bridging artificial intelligence and biological sciences: a comprehensive review of large language models in bioinformatics. : Cette revue complète examine le développement et les applications des LLM en bioinformatique, notamment pour la prédiction de structures, l’analyse d’omiques, la conception de médicaments et l’exploration de la littérature biomédicale.

Veille scientifique DéSaN 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 juin 2025.

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

Thèmes Principaux et Idées Clés (réalisé avec Google NotebookLM)

1. Applications des Grands Modèles Linguistiques (LLM) en Santé Numérique

Ces sources mettent en lumière l’utilisation des LLM pour améliorer les processus cliniques, la recherche et l’extraction d’informations.

  • Diagnostic et Aide à la Décision
    • McDuff D, Schaekermann M, Tu T, et al. Towards accurate differential diagnosis with large language models. : Ce document évalue AMIE, un système d’IA basé sur les LLM, pour l’aide au diagnostic différentiel auprès de médecins généralistes, bien que les cliniciens l’utilisent moins fréquemment que les outils de recherche traditionnels comme UpToDate ou PubMed.
    • Su H, Sun Y, Li R, et al. Large Language Models in Medical Diagnostics: Scoping Review With Bibliometric Analysis.: Cette revue de portée explore l’utilisation des LLM dans le diagnostic médical, couvrant la classification des maladies, la réponse aux questions médicales et la qualité du contenu généré, et notant un intérêt croissant pour les modèles de vision-langage pour l’interprétation de l’imagerie médicale.
    • Zekaoui NE, Rhanoui M, Yousfi S, et al. SSMT-PANBERT: A single-stage multitask model for phenotype extraction and assertion negation detection in unstructured clinical text.: Cette étude propose une solution multi-tâches basée sur les Transformers pour l’extraction de phénotypes et la détection de la négation d’assertions à partir de notes cliniques.
  • Recherche Clinique et Synthèse de Preuves
    • Bazoge A, Wargny M, Constant Dit Beaufils P, et al. Assessing large language models for acute heart failure classification and information extraction from French clinical notes.: Cette étude évalue l’utilisation des LLM pour la classification des hospitalisations pour insuffisance cardiaque aiguë et l’extraction d’informations cliniques à partir de notes françaises.
    • Huang J, Lai H, Zhao W, et al. Large Language Model-Assisted Risk-of-Bias Assessment in Randomized Controlled Trials Using the Revised Risk-of-Bias Tool: Usability Study.: Ce document examine la capacité des LLM à évaluer le risque de biais dans les essais contrôlés randomisés (ECR) pour les revues systématiques, en utilisant une approche basée sur des prompts structurés.
    • Kartchner D, Turner H, Ye C, et al. TrialSieve: A Comprehensive Biomedical Information Extraction Framework for PICO, Meta-Analysis, and Drug Repurposing. : Ce travail introduit TrialSieve, un cadre complet pour l’extraction d’informations biomédicales PICO (Patient, Intervention, Comparaison, Outcome), la méta-analyse et le repositionnement de médicaments à partir de résumés PubMed.
    • Ramchandani R, Guo E, Rakab E, et al. Validation of automated paper screening for esophagectomy systematic review using large language models.: Cette étude valide l’utilisation de LLM (GPT-4) pour le screening automatisé d’articles dans les revues systématiques, démontrant une performance prometteuse pour rationaliser le flux de travail et réaliser des économies de temps et de coûts.
    • Sk V, O A, A E, et al. Do it faster with PICOS: Generative AI-Assisted systematic review screening. : Ce document évalue l’impact des résumés PICOS structurés générés par des LLM open-source sur la vitesse et la précision du screening des titres et résumés pour les revues systématiques.
    • Wu S, Ma X, Luo D, et al. Automated literature research and review-generation method based on large language models. : Cette recherche propose une méthode automatisée de génération de revues littéraires basée sur les LLM, avec des stratégies efficaces d’atténuation des « hallucinations ».
  • Extraction d’Informations Cliniques (Général)
    • Du J, Wang D, Lin B, et al. Use of deep learning-based NLP models for full-text data elements extraction for systematic literature review tasks. : Ce document explore l’applicabilité des approches de traitement du langage naturel (NLP) pour l’extraction automatisée d’éléments de données à partir d’articles scientifiques complets pour les revues systématiques.
    • Dong X, Zhao D, Meng J, et al. SyRACT: Zero-shot Biomedical Document level Relation Extraction with Synergistic RAG and CoT.: Cette étude présente SyRACT, un cadre pour l’extraction de relations au niveau du document biomédical en utilisant la génération augmentée par récupération (RAG) et la chaîne de pensée (CoT).
  • Autres Applications Spécifiques
    • Daccache N, Zako J, Morisson L, et al. The applications of ChatGPT and other large language models in anesthesiology and critical care: a systematic review.: Cette revue systématique examine les applications de ChatGPT et d’autres grands modèles linguistiques en anesthésiologie et en soins intensifs.
    • AskTrip is live – automated clinical Q&A, instantly.: Ce document fait référence à « AskTrip », un outil de questions-réponses cliniques automatisé offrant une réponse instantanée. https://www.tripdatabase.com/ask

2. Défis et Considérations Éthiques liés aux LLM en Santé

Ces sources abordent les défis cruciaux liés à la confidentialité des données, aux biais et à la fiabilité des modèles d’IA en santé.

  • Confidentialité des Données et Anonymisation
    • F C, K C, G G, et al. Toward Identifying New Risk Aversions and Subsequent Limitations and Biases When Making De-identified Structured Data Sets Openly Available in a Post-LLM world. : Cette étude décrit les approches de dé-identification des données cliniques, soulignant les risques de ré-identification à l’ère des LLM et la nécessité d’une divulgation transparente.
    • Morris JX, Campion TR, Nutheti SL, et al. DIRI: Adversarial Patient Reidentification with Large Language Models for Evaluating Clinical Text Anonymization. : Ce document introduit DIRI, une méthode contradictoire utilisant les LLM pour ré-identifier les patients à partir de notes cliniques anonymisées.
    • Verkijk S, Vossen P. Creating, anonymizing and evaluating the first medical language model pre-trained on Dutch Electronic Health Records: MedRoBERTa.nl. : Cette publication détaille le développement de MedRoBERTa.nl, un LLM pré-entraîné sur des dossiers de santé électroniques néerlandais, en expliquant son processus d’anonymisation pour permettre une publication ouverte.
  • Biais et Équité
    • Kucukkaya A, Aktas Bajalan E, Moons P, et al. Equality, Diversity, and Inclusion in AI-Driven Healthcare Chatbots: Addressing Challenges and Shaping Strategies. : Cet article aborde l’importance d’intégrer les principes d’équité, de diversité et d’inclusion (EDI) tout au long du cycle de vie de l’IA dans les soins de santé, afin de remédier aux biais algorithmiques.
    • Omar M, Soffer S, Agbareia R, et al. Sociodemographic biases in medical decision making by large language models.: Ce document se concentre sur l’atténuation des biais algorithmiques dans l’apprentissage automatique clinique et met à disposition des cas synthétiques et des données réelles dé-identifiées pour la recherche sur les biais sociodémographiques de l’IA.
  • Hallucinations et Fiabilité
    • Amugongo LM, Mascheroni P, Brooks S, et al. Retrieval augmented generation for large language models in healthcare: A systematic review. : Cette revue systématique des applications de la RAG pour les LLM en santé aborde les limitations des LLM comme les données obsolètes, la génération de contenu inexact (« hallucinations ») et le manque de transparence.

3. Développement et Évaluation de Modèles Linguistiques Spécifiques au Domaine Médical

Ces sources explorent les aspects techniques des LLM, y compris leurs architectures, méthodologies d’entraînement et les corpus de données utilisés.

  • Architectures et Méthodologies
    • Amugongo LM, Mascheroni P, Brooks S, et al. Retrieval augmented generation for large language models in healthcare: A systematic review. : Cette revue systématique des applications de la RAG pour les LLM en santé fournit un aperçu des différentes techniques de RAG (Naïve, Avancée, Modulaire) et de leur implémentation.
    • Verkijk S, Vossen P. Creating, anonymizing and evaluating the first medical language model pre-trained on Dutch Electronic Health Records: MedRoBERTa.nl. : Cette publication détaille le développement de MedRoBERTa.nl, un LLM pré-entraîné sur des dossiers de santé électroniques (DSE) néerlandais, soulignant l’importance du pré-entraînement spécifique au domaine pour les tâches de NLP.
    • Yuanyuan Z, Adel B, Mina B, et al. A scoping review of self-supervised representation learning for clinical decision making using EHR categorical data.: Cette revue examine l’apprentissage par représentation auto-supervisée (SSRL) pour la prise de décision clinique à partir de données catégorielles des DSE, identifiant les modèles basés sur les Transformers, les auto-encodeurs et les réseaux de neurones graphiques comme les principales tendances architecturales.
    • Leiser F, Guse R, Sunyaev A. Large Language Model Architectures in Health Care: Scoping Review of Research Perspectives.: Cette revue examine les architectures de modèles LLM (basées sur BERT ou GPT) utilisées dans la recherche en santé, suggérant que les modèles basés sur GPT sont mieux adaptés aux communications et les modèles basés sur BERT à l’innovation.
  • Données et Corpus
    • Amugongo LM, Mascheroni P, Brooks S, et al. Retrieval augmented generation for large language models in healthcare: A systematic review. : Cette revue systématique met en évidence les divers ensembles de données médicales utilisés pour augmenter les réponses des LLM en santé, y compris les ensembles de données de questions-réponses et de récupération d’informations provenant de sources comme PubMed et UMLS.
    • Kartchner D, Turner H, Ye C, et al. TrialSieve: A Comprehensive Biomedical Information Extraction Framework for PICO, Meta-Analysis, and Drug Repurposing. : Ce travail a introduit l’ensemble de données TrialSieve, un ensemble de données biomédicales complet et publiquement disponible, conçu pour améliorer l’extraction automatisée d’informations.
    • Du J, Wang D, Lin B, et al. Use of deep learning-based NLP models for full-text data elements extraction for systematic literature review tasks. : Ce document décrit la création et le partage public de corpus annotés pour l’extraction d’éléments de données à partir d’articles complets dans les revues systématiques.
    • OLSPub as an alternative to PubMed: Infrastructure made in Europe.: Ce projet vise à créer une base de données ouverte, fiable et durable pour les publications en sciences de la vie, servant d’alternative à PubMed en Europe.

4. LLM dans l’Éducation Médicale

Ces sources se concentrent spécifiquement sur l’intégration et l’évaluation des LLM dans le cadre de l’enseignement médical.

  • Boscardin CK, Abdulnour R-EE, Gin BC. Macy Foundation Innovation Report Part I: Current Landscape of Artificial Intelligence in Medical Education. : Cette étude explore l’utilisation de l’IA dans l’éducation médicale, en cartographiant les domaines d’application et en identifiant les lacunes pour une intégration efficace.
  • Cheng Y, Zhu L. A review of ChatGPT in medical education: exploring advantages and limitations. : Cette revue examine l’application de ChatGPT dans l’éducation médicale, y compris son évaluation pour la formation des patients et la préparation aux examens.
  • Turner L et al. It Takes More Than Enthusiasm: The Missing Infrastructure to Unlock AI’s Potential in Medical Education. : Ce bref article mentionne la démystification de l’IA et son rôle futur dans l’évaluation de l’éducation médicale.

Veille scientifique DéSaN Mai 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

  1. 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.
  2. 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.
  3. 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

  1. 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 .
  2. 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 .
  3. 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 .
  4. 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.
  5. 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

  1. 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.
  2. 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 .
  3. 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.
  4. 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)

  1. 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

  1. 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 .
  2. 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 .
  3. 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 .
  4. 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.
  5. 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

  1. 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 .
  2. 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.
  3. 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.
  4. 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.
  5. 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 .

Veille scientifique DéSaN Mars 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 mars 2025.

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

Thèmes Principaux et Idées Clés (réalisé avec Google NotebookLM) :

1. Impact de l’Automatisation et des LLMs sur la Recherche d’Information :

  • Filtrage et Biais dans les Bases de Données : L’étude d’Askin et al. (2025) souligne les défis de l’indexation automatisée dans Medline, montrant une proportion significative d’enregistrements inclus qui ne concernent pas des études humaines (e.g., études animales, contextes agricoles ou vétérinaires). Cela met en évidence le risque de « filtering failure » et la nécessité d’améliorer les méthodes pour cibler précisément les études pertinentes. Par exemple, l’étude révèle que « Includes animal study » représente une part importante des enregistrements inclus.
  • Limitations des LLMs comme Moteurs de Recherche Autonomes : Bouchard (2025) insiste sur le fait que les grands modèles de langage (LLMs) comme ChatGPT ne sont pas conçus pour remplacer seuls les moteurs de recherche traditionnels. Contrairement à ces derniers, ils ne s’appuient pas sur des index préconstruits pour fournir des réponses sourcées individuellement. L’auteur note : « En aucun cas, ces techniques de LLM n’ont été pensées pour remplacer, seules, Google. »
  • Compréhension de l’Intention de l’Utilisateur par les LLMs : Cependant, Bouchard observe que les LLMs progressent dans leur capacité à distinguer l’intention des requêtes (recherche d’information vs. réalisation d’une tâche).
  • Défis Sémantiques et Épistémiques : La source soulève des questions cruciales pour la recherche d’information, notamment la variabilité sémantique et épistémique du vocabulaire entre domaines et écoles de pensée, ainsi que le rôle de l’expertise humaine.
  • Crédibilité et Citation des IA : Bouchard met en garde contre la citation ou le crédit des IA, soulignant qu’elles n’ont pas d’autorité épistémique et ne sont pas propriétaires de leurs productions. Les usages substantiels de LLMs dans la production de contenu doivent être déclarés avec transparence et documentation (nom, version, date).

2. Utilisation et Évaluation des Modèles de Langage (LLMs) en Biomédecine :

  • Synthèse de Données et Extraction d’Information : L’étude de Liu (2025) évalue la performance du modèle Claude pour l’extraction de données spécifiques à partir d’articles de recherche. Les résultats montrent des taux d’extraction corrects variables selon les items, avec certains items atteignant 100% de précision (« Study ID », « Aim of study »), tandis que d’autres sont plus difficiles (« Assessed for eligibility »). Le tableau 1 détaille la précision par item et les intervalles de confiance.
  • Génération de Données Synthétiques : Plusieurs sources (Bornet 2025, Ibrahim 2025, Guide Inserm 2025) abordent l’utilisation de l’IA pour générer des données synthétiques en biomédecine. Bornet (2025) explore l’utilisation de FastText pour encoder des terminologies médicales hiérarchiques comme ICD-10 et ATC, en capturant des informations subword. Ibrahim (2025) offre une revue extensive des techniques de synthèse de données (GANs, VAEs, modèles de diffusion, LLMs) appliquées à différents types de données biomédicales (imagerie, données EHR, signaux, textes). Le Guide Inserm (2025) souligne le potentiel des données synthétiques pour surmonter les problèmes de confidentialité et les biais dans les données d’entraînement des LLMs.
  • Évaluation des LLMs en Contexte Médical : Xie (2025) compare les performances de différents LLMs (LLaMA2, PMC-LLaMA, Me-LLaMA, Meditron) sur diverses tâches biomédicales (question-réponse, reconnaissance d’entités nommées, extraction de relations, classification, summarisation, inférence en langage naturel). Les résultats montrent des variations significatives de performance selon le modèle et la tâche. Singhal (2025) évalue Med-PaLM 2 sur le benchmark MMLU (Massive Multitask Language Understanding) pour les connaissances médicales.
  • Défis d’Évaluation : Ibrahim (2025) identifie le manque de cadres d’évaluation robustes comme un défi majeur, soulignant le besoin de benchmarks cross-modalités, de métriques de diversité et de validation clinique à grande échelle. Les tableaux 16 et 17 listent diverses métriques de fidélité utilisées pour évaluer les données synthétiques.
  • Compréhension des Principes Médicaux : Ibrahim (2025) note que les générateurs de textes médicaux avancés basés sur des LLMs généraux peuvent ne pas saisir pleinement les principes ou la logique sous-jacente des connaissances médicales.

3. Application des LLMs à la sélection de résumés (Abstract Screening) :

  • Haute Performance Potentielle : L’étude de Sanghera et al. (2025) examine l’utilisation d’ensembles de LLMs pour l’écran automatisé d’abstracts. Les résultats suggèrent que les LLMs peuvent atteindre une haute performance, comparable voire supérieure à celle des chercheurs humains pour cette tâche. La Figure 1 compare la précision et le rappel de différents LLMs avec diverses invites.
  • Consistance des Décisions des LLMs : Les LLMs ont montré une haute consistance interne (mesurée par le coefficient Kappa), souvent supérieure à celle des chercheurs humains effectuant la même tâche.
  • Rôle du « Prompt Engineering » : La performance des LLMs est fortement influencée par la formulation de l’invite (« prompt »). L’étude a exploré l’impact de différentes invites biaisées vers l’inclusion.
  • Ensembles de LLMs : La combinaison de plusieurs LLMs en ensembles (parallèles ou en série) a permis d’améliorer la sensibilité tout en maintenant une précision raisonnable, réduisant potentiellement la charge de travail du criblage manuel. Le Tableau 4 présente la performance des ensembles optimaux de LLMs.

4. Enjeux Éthiques, Sociaux et Environnementaux de l’IA en Santé :

  • Biais et Hallucinations : Le Guide Inserm (2025) met en garde contre les risques de biais et d’hallucinations liés à la langue utilisée ou à la voix dans les applications d’IA.
  • Dépendance aux Systèmes Propriétaires : L’augmentation du recours à l’IA peut entraîner une dépendance accrue à des systèmes propriétaires, avec des logiques potentiellement incompatibles avec les bonnes pratiques scientifiques (consentement, propriété intellectuelle, citation, vérification des résultats).
  • Impact Écologique : La consommation énergétique et hydrique des grands systèmes d’IA est un enjeu majeur soulevé par le Guide Inserm (2025), avec des chiffres alarmants sur l’augmentation de cette consommation. L’importance de la « frugalité » et de la « sobriété » dans le développement et l’utilisation de l’IA est soulignée.
  • Souveraineté Numérique et Protection de la Vie Privée : Le Guide Inserm (2025) discute des avantages potentiels des « Small Language Models » (SLMs) en termes de souveraineté numérique et de respect de la vie privée, car ils peuvent être plus faciles à contrôler et à sécuriser.
  • Accès Équitable et Risques d’Inégalités : Des questions sont soulevées concernant le contrôle des risques d’accentuation de l’hétérogénéité des prises en charge et du creusement des inégalités d’accès aux soins associés à l’IA, en particulier pour les populations sous-représentées dans les bases de données.
  • Besoin de Formation et d’Expertise : Le Guide Inserm (2025) insiste sur la nécessité de la formation du personnel à l’Inserm en tant qu’utilisateurs, développeurs et chercheurs en IA, ainsi que sur la reconnaissance et la structuration de l’expertise nouvelle constituée au sein de la communauté scientifique.

5. Amélioration de la Qualité de la Recherche et de l’Évaluation :

  • Rôle des Bibliothécaires et Spécialistes de l’Information dans la Revue par les Pairs : L’étude de Rethlefsen et al. (2025) explore l’impact de l’implication des bibliothécaires et spécialistes de l’information (LIS) dans la revue par les pairs des revues systématiques. Bien que l’étude n’ait pas montré d’effet significatif sur les mesures de qualité étudiées, elle suggère que les éditeurs pourraient envisager d’inviter ces professionnels comme réviseurs méthodologiques. Le tableau 3 présente les caractéristiques des manuscrits inclus.
  • Importance de la Méthodologie et de la Statistique dans la Revue : L’étude cite des travaux antérieurs (Schriger et al., 2002 ; Cobo et al., 2007) soulignant l’effet positif de la revue méthodologique et statistique sur la qualité des manuscrits publiés.

6. Évolution des Titres de Revues Scientifiques :

  • Reflet de l’Internationalisation : Khelfaoui (2025) analyse les changements dans les titres des revues scientifiques, notant une tendance à l’effacement des origines nationales (« Australian Journal » devenant « Australasian Journal ») pour étendre leur portée géographique. Le tableau présente l’évolution du nombre de revues par pays entre 1965 et 2020.
  • Indicateurs Bibliométriques : La source mentionne l’utilisation du Facteur d’Impact (IF) et de son évaluation relative par spécialité comme indicateurs de qualité des revues.

7. Gestion des Données de Recherche :

  • Systèmes de Versionnement et de Gestion des Fichiers Volumineux : Wack et al. (2025) présentent l’utilisation de git et de son extension git-annex pour la gestion des données de recherche, en particulier les fichiers volumineux. Ces outils permettent le suivi des modifications historiques et la collaboration. La structure de branches git peut même refléter le processus de diagnostic à partir de multiples résultats.
  • Passeport et Visa des Données : Le Guide Inserm (2025) propose un système de « passeport et visa des données » pour améliorer la transparence et la traçabilité de l’utilisation des données de recherche, en assurant leur adéquation aux nouveaux contextes et en enregistrant les modifications et validations.