Détecter la tuberculose par algorithmes : les valorisations d’une technologie de surveillance par la santé mondiale
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.022 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".