Cartographie des initiatives en cours dans les agences sanitaires concernant l’utilisation des outils d’IA pour la revue de littérature
Bibliographic record
Abstract
<div xmlns="http://www.tei-c.org/ns/1.0"> Le développement des systèmes d'intelligence artificielle (IA) générative ouvre des perspectives intéressantes pour assister le processus de revue de littérature qui est au coeur du métier de la Haute Autorité de santé (HAS). Cette cartographie cherche à identifier les agences et les réseaux sanitaires ou scientifiques les plus mobilisés sur cette thématique, les modèles organisationnels dont pourrait s'inspirer la Haute Autorité de santé (HAS), et les collaborations possibles. Elle recense les actions publiées par ces organisations concernant l'utilisation d'outils d'intelligence artificielle (IA) pour assister le processus de revue de littérature. Cette cartographie ne prétend pas à l'exhaustivité étant donné l'évolution rapide du domaine et la non-publication de nombreuses actions menées en interne. Une revue rapide a été réalisée en décembre 2024-janvier 2025 sur les sites web d'organisations sanitaires ou scientifiques en recherchant les termes "artificial intelligence", "automation" et "machine learning". Cette recherche a été complétée par les articles présents dans la veille documentaire de la HAS dédiée à l'IA pour la revue de la littérature et reliés à une organisation sanitaire ou scientifique. 49 actions ont été identifiées au sein de 25 agences ou réseaux scientifiques. Elles ont été catégorisées selon leur type et les tâches de la revue concernées. Ces actions sont principalement des webinaires ou conférences (35 %), des expérimentations (18 %), et des synthèses de connaissance (20 %). Les étapes de travail les plus souvent concernées sont la sélection de publications (screening en anglais), l'extraction d'information et la recherche ou l'identification de sources. Parmi les réseaux scientifiques, la Cochrane se distingue par ses multiples formations, son outil de classification d'essais cliniques et ses recommandations (encore à venir). Le réseau ISPOR propose des communications et des formations sur l'IA, tandis que le réseau HTAi dispose d'un groupe de travail actif sur la récupération d'information, et le réseau scientifique ICASR fournit une liste d'outils et une synthèse de connaissance. Du côté des agences, le NIPH norvégien a mis en place une équipe dédiée à l'automatisation depuis 2020 et utilise l'outil EPPI reviewer de sélection priorisée de publications. L'AHRQ américaine développe l'outil SRDR+ et finance des expérimentations méthodologiques. L'INESSS québécois a mené plusieurs expérimentations rigoureuses avec ChatGPT pour la sélection de publications, et le KCE belge a publié des recommandations étayées avec des expérimentations prévues prochainement. À ce jour, peu d'organisations ont publié une stratégie détaillée d'utilisation de l'IA pour la revue de littérature. Cela pourrait s'expliquer par les performances encore modérées des outils d'apprentissage statistique classiques. Les modèles organisationnels du NIPH, avec son équipe dédiée, et de l'AHRQ, avec ses partenariats universitaires, semblent particulièrement intéressants à considérer. Les participations régulières aux conférences des réseaux d'agences (comme le Global Evidence Summit ou ISPOR Europe) semblent un bon moyen de rencontrer des collaborateurs potentiels avant de cadrer de potentiels projets communs. Le développement récent de l'IA générative semble associé à une multiplication des actions identifiées à partir de 2024. Cette accélération pourrait aboutir à de nouvelles stratégies organisationnelles de prise en main de ces outils, ce qui nécessitera une actualisation régulière de cette cartographie. </div> <div xmlns="http://www.tei-c.org/ns/1.0"><head n="4.4">Conclusion9</head> Annexes11 Annexe 1 -Liste des organisations incluses dans la recherche initiale11 Annexe 2 -Liste des organisations incluses à la fin de la revue rapide11 Annexe 3 -Liste des actions identifiées à la fin de la revue rapide12 </div>
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".