Introduction aux enjeux éthiques de l’Intelligence Artificielle en réanimation
Notice bibliographique
Résumé
L’Intelligence Artificielle (IA) va occuper une place grandissante en réanimation dans les années à venir. Les possibilités d’utilisation seront très larges, couvrant notamment les champs des prédictions, de l’aide à la décision, de l’imagerie, de la recherche et la formation des soignants. L’implémentation de l’IA en réanimation pourrait significativement bouleverser la prise en charge des patients, mais aussi l’activité des médecins. Ces changements à venir amènent des questionnements éthiques spécifiques qu’il est nécessaire et urgent d’évoquer. De la mise au point d’un algorithme jusqu’à sa mise sur le marché, il existe plusieurs étapes qui nécessitent une vigilance éthique par une approche habituellement qualifiée d’ethic by design. Il est possible de subdiviser ces enjeux en quatre parties distinctes qui seront successivement abordées : les données, le patient, l’algorithme et le soignant. Les questions environnementales mais aussi économiques, dans le contexte de la récente prise de conscience d’une nécessaire diminution de l’empreinte carbone, seront enfin évoquées. Une meilleure appréhension des enjeux éthiques est probablement une première étape vers une intégration efficiente de cette nouvelle technologie dans le domaine des soins critiques.
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 | 0,012 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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 ».