Détecter la tuberculose par algorithmes : les valorisations d’une technologie de surveillance par la santé mondiale
Notice bibliographique
Résumé
Les logiciels de détection assistée par ordinateur basée sur l’intelligence artificielle (CAD-IA), combinés aux radiographies numériques du thorax, ont récemment été présentés comme une solution facile à un problème complexe : « mettre fin à la tuberculose d’ici 2030 ». L’Organisation mondiale de la santé (OMS) a recommandé l’utilisation de ces dispositifs en 2021 et de nombreux partenariats publics/privés ont contribué à les évaluer, créant ainsi un marché pour ces premiers outils de santé mondiale basés sur l’intelligence artificielle. Cet article explore les étapes de la création de valeur et d’un marché pour ces algorithmes de détection, à la faveur d’un régime « accélérationniste » bien ancré au sein du champ de la santé mondiale. En suivant la vie sociale des données utilisées pour développer, valider, vendre et faire du profit avec les dispositifs CAD-IA, nous analysons comment une nouvelle forme de détection technologique de la tuberculose utilisée en santé mondiale, malgré ses prétentions disruptives, reste prise dans des processus d’inégalités qui sont les moteurs des épidémies de tuberculose dans de nombreux contextes et qui sont indirectement valorisés scientifiquement, économiquement et politiquement par la technologie elle-même.
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 | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».