Show us the evidence for the value of medical AI
Item
- Titre (article, livre complet, chapitre de livre, publication réseaux sociaux, pageWeb, SiteWeb complet, etc.)
- Show us the evidence for the value of medical AI
- Date de publication (AAAA ou AAAA-MM-JJ)
- 2026-04-21
- Résumé
-
Éditorial soutenant que les affirmations d'impact clinique des outils d'intelligence artificielle en santé doivent être appuyées par des données probantes proportionnées.
Le texte part d'un constat de décalage. L'adoption de ces outils s'accélère à tous les niveaux des systèmes de santé, et les affirmations d'impact clinique se multiplient dans les publications comme dans les documents promotionnels, alors que les données démontrant une valeur réelle pour les personnes soignées, les personnes soignantes ou les établissements demeurent rares. Faute d'accord sur le niveau de preuve exigible avant qu'une affirmation soit jugée crédible, il en résulte non seulement une incertitude scientifique, mais aussi des implantations et des adoptions prématurées.
L'éditorial rappelle que l'évaluation de ces outils s'est jusqu'ici appuyée principalement sur des mesures statistiques de performance computationnelle. Ces mesures, bien qu'importantes, n'établissent pas à elles seules un effet clinique : un système peut obtenir d'excellents résultats en validation rétrospective et néanmoins ne rien améliorer si ses sorties arrivent au mauvais moment, sont difficiles à interpréter, sont appliquées de manière inconstante ou perturbent le déroulement du travail clinique.
Le texte propose le principe d'une preuve proportionnelle : plus l'affirmation est forte, plus la preuve exigée doit l'être. Il décline ce principe selon le type d'affirmation. Une affirmation de performance analytique appelle une validation robuste dans le milieu et la population visés. Une affirmation d'applicabilité clinique appelle la démonstration que les sorties sont interprétables et peuvent soutenir des décisions raisonnables. Une affirmation de bénéfice sur le flux de travail appelle des études d'implantation montrant l'absence de délai, de charge ou d'effet non intentionnel ajoutés. Une affirmation d'amélioration des résultats ou d'efficience appelle des données prospectives comparatives.
Les auteur.es précisent que ce cadre n'exige pas un essai randomisé pour chaque outil, ce qui serait souvent impraticable compte tenu des coûts, de la rapidité des mises à jour des modèles et de la complexité des devis. Ils soutiennent en revanche que la seule performance rétrospective ne constitue pas une base scientifiquement rigoureuse pour accorder sa confiance. Ils ajoutent que la surveillance après déploiement devrait être une attente institutionnelle et non un ajout tardif et facultatif.
L'éditorial formule des implications pour chaque partie prenante. Les organismes de réglementation devraient clarifier quelles catégories d'outils exigent une preuve prospective d'effet clinique. Les établissements devraient distinguer le projet pilote, l'usage opérationnel et la preuve de bénéfice plutôt que de les confondre en une seule décision. Les revues scientifiques, enfin, ont l'occasion de définir ce qui constitue une preuve acceptable dans un champ en formation. - Volume (revues scientifiques)
- 32
- Maison d'édition / Nom de la revue scientifique / Nom du site Web / Nom de l'institution universitaire (thèses) / Institution d'un rapport, etc.
- Nature Medicine
- Intervalles des pages (articles)
- 1163
- Nombre de pages (livres)
- 1
- Format, type de document (ex: image, publication textuelle, vidéo, etc.)
- Article en ligne; PDF
- Quel type de publication sur réseau social (ex: statut Facebook, statut Twitter, etc.)
- Éditorial
- URL (adresse Web)
- https://doi.org/10.1038/s41591-026-04389-4
- Media
nature show.png
Linked resources
| Title | Class |
|---|---|
 Abridge |
Annotations
There are no annotations for this resource.