Research

Arkangel AI : le système de récupération multi-LLM fournit des réponses médicales fondées sur des preuves avec une précision de 90 %.

LLM auto-extrait USI/ambulatoire (~100 %) et PUMA appliqué : précision de notation de 94 % ; sensibilité de 100 %

L'analyse ML à données minimales a examiné l'IRC dans le diabète de type 2 dans 6 pays à revenu faible ou intermédiaire : sensibilité de 90 %, ASC de 0,63.

Examen : les LLM obtiennent de bons résultats en matière d'assurance qualité, mais nécessitent une évaluation humaine en boucle et dans le monde réel pour une utilisation clinique sûre.

Vitruvius : les réponses de chat multi-LLM et à récupération augmentée répondent aux requêtes de style USMLE avec une précision de 90,3 %.

PANDORA a utilisé GPT-4 pour extraire des notes cliniques et appliquer PUMA : > 90 % d'extraction, score BPCO de 95 à 98 %.

MedSearch : l'IA en temps réel, fondée sur des preuves, a réduit le temps de réponse des cliniciens de 79 % et les recherches de 34 % dans le cadre d'un projet pilote.

AI-CNN lit l'OCT pour détecter le liquide intrarétinien/l'œdème maculaire avec une précision d'environ 97 %, contribuant ainsi aux soins de la rétine.

L'agent conversationnel GPT-4o, formé selon les directives 17 AD, a atteint une précision quasi parfaite.

Chez les patients hospitalisés atteints de COVID, la radiographie thoracique AI + les données cliniques ont prédit une ASC de 0,92 en USI ; une ASC de 0,81 en décès.

Amérique latine : IA d'ensemble utilisant des indicateurs de données cliniques de routine : IRC – sensibilité de 91 % (DT2), 92 % (NT2D)

Amérique latine : IA d'ensemble utilisant des indicateurs de données cliniques de routine : IRC – sensibilité de 91 % (DT2), 92 % (NT2D)

Les modèles d'IA portant sur 68 millions de patients ont prédit les risques d'IRC, d'IC et de diabète (ASC> 0,85), réduisant ainsi les admissions d'environ 45 %.

La lecture automatisée par IA des radiographies thoraciques et de la tomodensitométrie à faible dose a augmenté la sensibilité des nodules de 47 % à 60 % (+ 13 %), réduit les faux positifs d'environ 11 % et atteint une précision diagnostique d'environ 94 %, facilitant une détection plus précoce.

Hippocrates AutoML permet aux cliniciens de créer une IA sans code et conforme à la loi HIPAA (préparation automatique des données, sélection de modèles) 10 fois plus rapidement, réduisant ainsi les coûts et permettant une validation prospective (surveillance des biais conseillée).

Arkangel AI a utilisé un ML non invasif sur des données cliniques de routine en Amérique latine pour améliorer la détection précoce de l'IRC - haute sensibilité/spécificité, identifiant jusqu'à 90 % de patients à risque supplémentaires.

En Amérique latine, l'aide à la décision de l'IA pour la mammographie et les données cliniques d'Arkangel AI a amélioré la détection (ASC jusqu'à 0,90) et réduit la charge de lecture des radiologues jusqu'à 88 %, permettant un dépistage plus précoce et évolutif.