Utilisation de l’intelligence artificielle en pharmacie : une revue narrative
Notice bibliographique
Résumé
RÉSUMÉ Contexte : L’intelligence artificielle (IA) est une avancée technologique qui consiste à amener une machine à imiter une forme d’intelligence. Objectifs : L’objectif principal est d’effectuer une revue narrative des études évaluant la faisabilité et l’impact de l’IA en pharmacie. L’objectif secondaire est de développer une carte heuristique entourant l’IA en santé. Sources des données : Nous avons consulté quatre bases de données, soit PubMed, Medline, Embase et CINAHL. Sélection des études et extraction des données : Quatre stratégies de recherche ont été élaborées. Sélection des articles sur la base du titre, de l’abrégé puis du texte par une assistante de recherche, suivie d’une révision par un pharmacien de l’équipe. Les articles pris en compte doivent décrire ou évaluer la faisabilité ou l’impact de l’IA en pharmacie. Synthèse des données : À partir de la revue documentaire, 362 articles ont été sélectionnés au départ, 18 d’entre eux ont été retenus selon les critères d’inclusion. De façon générale, on note que les études ont été surtout menées aux États-Unis (72 %, 13/18). Les études portent, par ordre d’importance décroissant, sur la prédiction de la réponse aux traitements et la prédiction d’effets indésirables (33 %, 6/18), la priorisation des patients (28 %, 5/18), l’adhésion thérapeutique (22 %, 4/18), la validation d’ordonnances et la prescription électronique (17 %, 3/18) et d’autres thèmes (p. ex. diagnostic, coûts, assurance, vérification de volumes de seringue). Conclusions : Cette revue narrative met en évidence 18 études évaluant la faisabilité et l’impact de l’IA en pharmacie. Ces études ont utilisé différentes approches méthodologiques dans divers domaines d’application, en officine comme en établissement de santé. Il est encore trop tôt pour prédire les retombées de l’IA en pharmacie, mais ces études soulignent l’importance de s’y intéresser. ABSTRACT Background: Artificial intelligence (AI) can be described as an advanced technology in which machines display a certain form of intelligence. Objectives: The primary objective was to perform a narrative review of studies evaluating the feasibility and impact of AI in pharmacy. The secondary objective was to create a mind map of AI in health care. Data Sources: Four databases were consulted: PubMed, Medline, Embase, and CINAHL. Study Selection and Data Extraction: Four search strategies were developed. Initial selection of articles was based on their titles and abstracts; the full texts were then evaluated by a research assistant, with review by a pharmacist. Articles were included if they described or evaluated the feasibility or impact of AI in pharmacy. Data Synthesis: A total of 362 articles were identified by the literature review, of which 18 met the inclusion criteria. The studies were mainly conducted in the United States (72%, 13/18). The article topics were, in decreasing order, prediction of response to treatments and adverse effects (33%, 6/18), patient prioritization (28%, 5/18), treatment adherence (22%, 4/18), validation of prescriptions and electronic prescription (17%, 3/18), and other themes (e.g., diagnosis, costs, insurance, and verification of syringe volume). Conclusions: This narrative review highlighted 18 studies evaluating the feasibility and impact of AI in pharmacy. The studies used various methodologies in different settings, both retail pharmacies and hospital pharmacies. It is still too soon to predict the implications of AI for pharmacy, but these studies emphasize the importance of attention in this area.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,015 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,010 | 0,012 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».