Vers un système optimal de gestion de la prise en charge des patients au Canada : apport de l’intelligence artificielle
Bibliographic record
Abstract
L’intelligence artificielle (IA) en santé est l’utilisation des algorithmes et logiciels pour imiter la cognition humaine dans l’analyse, la présentation et la compréhension de données médicales et de soins de santé complexes. L’IA offre ainsi un grand potentiel pour améliorer les soins médicaux et soutenir le personnel médical dans un contexte d’augmentation de la démographie et de pénurie du personnel médical. Le Canada s’inscrivant dans les pays utilisant l’IA, la présente étude visait à savoir l’apport de l’intelligence artificielle dans la gestion de la prise en charge des patients dans ce pays. Plusieurs hypothèses ont été émises : l’intelligence devrait aider les professionnels et les parties prenantes à gérer les nombreuses données et à les transformer en informations susceptibles de sauver des vies ; permettrait d’optimiser le flux des patients. Une méthode qualitative a été utilisée avec des entretiens semi-directifs au niveau de trois experts en domaine d’intelligence artificielle et santé. Nous avons réalisé les entretiens par zoom ou par appels téléphoniques. De ces entretiens, il ressort que l’IA intervient dans la prise en charge préventive, l’orientation du patient, le tri, et dans le diagnostic des pathologies des patients. Pour d’autres experts, elle intervient au niveau de la recherche, la clinique et le système de gestion en santé. Toutes fois des erreurs peuvent survenir lors de l’utilisation de l’intelligence artificielle en santé et sont surtout liées à des biais algorithmiques. Plusieurs défis ont été soulignés donc à savoir : la responsabilité en cas d’erreur, le risque de délégation de la décision médicale à l’IA et enfin la manière d’associer le patient à la prise de décision. Former les professionnels de santé à son utilisation est une façon de maitriser les erreurs éthiques pouvant survenir. Ainsi, des réflexions doivent être faites pour une utilisation judicieuse de l’IA en soins de santé. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : intelligence artificielle, prise en charge, patients, Canada
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 | 0.003 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 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".