From automation to agentic artificial intelligence in laboratory medicine: an opinion of the IFCC Division on Emerging Technologies
Notice bibliographique
Résumé
Agentic artificial intelligence (AI) systems are distinguished by their ability to invoke multiple tools, compose command chains, and combine chain-of-thought reasoning with deep research to execute complex tasks and take actions. This represents a major evolution beyond machine learning and large language models (LLM), toward systems capable of planning, executing, and coordinating complex workflows. In contrast to traditional LLMs, which primarily focus on generating and classifying information, agentic AI introduces elements of autonomy, reasoning, and orchestration, while digital twins extend this concept to dynamic virtual representations of patients and laboratory processes, capable of continuous learning, simulation and adaptation. This transition has profound implications for laboratory medicine, a field characterized by high data complexity, multi-omics integration, and stringent operational demands. At the same time, laboratories face growing expectations regarding efficiency, resource stewardship, and value-based healthcare delivery. This article explores both the opportunities and limitations of agentic AI in laboratory medicine, highlighting its potential to move beyond static automation toward autonomous, outcome-driven innovation. It also examines the ethical, interpretability, and governance considerations that must accompany its implementation.
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 | 0,037 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,027 |
| Communication savante | 0,016 | 0,018 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,028 | 0,036 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».