L\u2019intelligence artificielle g\u00e9n\u00e9rative s\u2019impose progressivement comme un outil majeur dans le domaine de la sant\u00e9. Elle permet d\u2019analyser de vastes quantit\u00e9s de donn\u00e9es m\u00e9dicales, d\u2019aider \u00e0 la prise de d\u00e9cision clinique et d\u2019am\u00e9liorer la qualit\u00e9 des soins. Une r\u00e9cente analyse a pass\u00e9 en revue 24 \u00e9tudes pour \u00e9valuer son utilisation, ses performances et son impact environnemental.<\/p>\n
Les mod\u00e8les d\u2019intelligence artificielle g\u00e9n\u00e9rative se divisent en deux grandes cat\u00e9gories : ceux qui traitent uniquement du texte et ceux qui combinent plusieurs types de donn\u00e9es, comme des images et du texte. Les premiers, souvent pr\u00e9-entra\u00een\u00e9s sur de grandes bases de donn\u00e9es g\u00e9n\u00e9rales, sont ensuite affin\u00e9s pour des t\u00e2ches sp\u00e9cifiques en m\u00e9decine. Cette \u00e9tape d\u2019affinage permet d\u2019adapter les mod\u00e8les \u00e0 des besoins pr\u00e9cis, comme le diagnostic de maladies ou l\u2019analyse de dossiers patients, tout en r\u00e9duisant le temps et les ressources n\u00e9cessaires par rapport \u00e0 un entra\u00eenement complet.<\/p>\n
Les mod\u00e8les multimodaux, bien que moins fr\u00e9quents, se r\u00e9v\u00e8lent particuli\u00e8rement prometteurs. Ils sont capables de traiter simultan\u00e9ment des images m\u00e9dicales et des textes, ce qui les rend adapt\u00e9s \u00e0 des t\u00e2ches complexes comme l\u2019interpr\u00e9tation de scans tout en tenant compte des ant\u00e9c\u00e9dents du patient. Par exemple, certains mod\u00e8les ont atteint des taux de pr\u00e9cision allant jusqu\u2019\u00e0 99,9 % pour d\u00e9tecter des maladies ophtalmologiques ou classer des images m\u00e9dicales.<\/p>\n
Les \u00e9tudes montrent que les mod\u00e8les affin\u00e9s surpassent souvent les mod\u00e8les pr\u00e9-entra\u00een\u00e9s en termes de pr\u00e9cision, avec des r\u00e9sultats variant entre 70,6 % et 99,9 %. Ils sont utilis\u00e9s pour des t\u00e2ches vari\u00e9es : classification de maladies, r\u00e9ponse \u00e0 des questions m\u00e9dicales ou encore g\u00e9n\u00e9ration de rapports. Cependant, leur entra\u00eenement reste tr\u00e8s gourmand en ressources. Peu d\u2019\u00e9tudes ont mesur\u00e9 l\u2019impact environnemental de ces technologies, mais l\u2019une d\u2019entre elles a r\u00e9v\u00e9l\u00e9 que l\u2019entra\u00eenement d\u2019un mod\u00e8le avait \u00e9mis 486 kilogrammes de CO\u2082, soulignant l\u2019empreinte carbone souvent n\u00e9glig\u00e9e de ces outils.<\/p>\n
Un autre d\u00e9fi r\u00e9side dans la qualit\u00e9 des donn\u00e9es utilis\u00e9es. Les mod\u00e8les s\u2019appuient souvent sur des bases de donn\u00e9es publiques ou des dossiers m\u00e9dicaux \u00e9lectroniques, mais le risque de contamination des donn\u00e9es existe. Cela peut fausser les r\u00e9sultats, car le mod\u00e8le pourrait apprendre \u00e0 partir d\u2019informations d\u00e9j\u00e0 pr\u00e9sentes dans les ensembles de test, ce qui surestimerait ses performances r\u00e9elles.<\/p>\n
Les applications conversationnelles, comme les assistants capables de r\u00e9pondre \u00e0 des questions m\u00e9dicales ou de r\u00e9sumer des dossiers, sont les plus r\u00e9pandues. Elles jouent un r\u00f4le cl\u00e9 dans l\u2019interaction avec les patients et les professionnels de sant\u00e9. Pourtant, malgr\u00e9 leur potentiel, les mod\u00e8les multimodaux restent sous-utilis\u00e9s, alors qu\u2019ils pourraient mieux exploiter la diversit\u00e9 des donn\u00e9es m\u00e9dicales, comme les images, les textes et les enregistrements.<\/p>\n
L\u2019\u00e9valuation des performances repose souvent sur des r\u00e9f\u00e9rences standardis\u00e9es, comme des jeux de donn\u00e9es con\u00e7us pour tester la capacit\u00e9 des mod\u00e8les \u00e0 r\u00e9pondre \u00e0 des questions m\u00e9dicales ou \u00e0 analyser des images. Ces r\u00e9f\u00e9rences permettent de comparer objectivement les diff\u00e9rents syst\u00e8mes. Cependant, il n\u2019existe pas encore de r\u00e9f\u00e9rences sp\u00e9cifiques pour certaines sp\u00e9cialit\u00e9s, comme la dentisterie, ce qui limite l\u2019\u00e9valuation des mod\u00e8les dans ces domaines.<\/p>\n
Enfin, l\u2019int\u00e9gration de ces technologies dans la pratique clinique soul\u00e8ve des questions \u00e9thiques et de confidentialit\u00e9. Les donn\u00e9es m\u00e9dicales \u00e9tant sensibles, leur utilisation doit \u00eatre encadr\u00e9e pour \u00e9viter tout risque d\u2019identification des patients. Bien que la plupart des mod\u00e8les \u00e9tudi\u00e9s en soient encore au stade de validation interne, leur d\u00e9ploiement \u00e0 grande \u00e9chelle n\u00e9cessitera des tests rigoureux pour garantir leur fiabilit\u00e9 et leur s\u00e9curit\u00e9.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1186\/s44398-026-00029-6<\/a><\/p>\n Titre\u00a0:<\/strong> Use of generative artificial intelligence models in healthcare \u2013 a scoping review<\/p>\n Revue : <\/strong> BMC Artificial Intelligence<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Ayesha Nooruddin; Abhishek Lal; Syed Muhammad Faizan Ahmed; Muhammad Huzaifa Ghori; Niha Adnan; Fahad Umer<\/p>\n","protected":false},"excerpt":{"rendered":" L\u2019intelligence artificielle g\u00e9n\u00e9rative peut-elle r\u00e9volutionner la m\u00e9decine L\u2019intelligence artificielle g\u00e9n\u00e9rative s\u2019impose progressivement comme un outil majeur dans le domaine de la sant\u00e9. Elle permet d\u2019analyser de vastes quantit\u00e9s de donn\u00e9es m\u00e9dicales, d\u2019aider \u00e0 la prise de d\u00e9cision clinique et d\u2019am\u00e9liorer la qualit\u00e9 des soins. Une r\u00e9cente analyse a pass\u00e9 en revue 24 \u00e9tudes pour \u00e9valuer… Poursuivre la lecture L\u2019intelligence artificielle g\u00e9n\u00e9rative peut-elle r\u00e9volutionner la m\u00e9decine<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-24","post","type-post","status-publish","format-standard","hentry","category-sante","entry"],"_links":{"self":[{"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/posts\/24","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/comments?post=24"}],"version-history":[{"count":1,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/posts\/24\/revisions"}],"predecessor-version":[{"id":25,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/posts\/24\/revisions\/25"}],"wp:attachment":[{"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/media?parent=24"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/categories?post=24"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/theroboticsreview.com\/fr\/wp-json\/wp\/v2\/tags?post=24"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}