Récupération de preuves en temps réel par l'IA : réponses cliniques rapides, précises et multilingues pour les médecins

Recherche de preuves médicales en temps réel grâce à l'IA pour les médecins

Ce cas d'utilisation vise à exploiter les avancées des systèmes de génération augmentée de données (RAG) pour aider les professionnels de santé submergés par le volume croissant de littérature scientifique et de recommandations cliniques. En permettant des réponses rapides, précises et indépendantes de la langue aux questions cliniques et de recherche, ce flux de travail vise à améliorer la précision diagnostique et l'efficacité opérationnelle dans les établissements de santé.

Problème

Les médecins sont confrontés à un volume d'informations scientifiques considérable et en constante augmentation. Chaque année, plus de 2,5 millions d'articles sont publiés dans des revues scientifiques, ce qui complique la tâche des professionnels de santé pour se tenir au courant des avancées pertinentes. Cet afflux de données complique l'accès rapide aux connaissances les plus récentes et les plus précises en matière de soins aux patients, ce qui peut avoir un impact sur la qualité du diagnostic et les décisions thérapeutiques.

Ampleur du problème

• 40 % des médecins signalent des difficultés à accéder rapidement à des informations médicales précises et à jour, ce qui a un impact direct sur la qualité du diagnostic et des traitements.
• Le coût associé aux erreurs médicales aux États-Unis dépasse 20 milliards de dollars par an, aggravé par des décisions cliniques mal informées.
• Les médecins passent environ 8 heures par semaine à rechercher des informations, et jusqu'à 50 % de ces informations ne sont souvent pas utilisées pour prendre des décisions.

Solution

• Déployer un système de génération augmentée de données (RAG) qui récupère des informations fiables à partir de bases de données fiables telles que PubMed et des recommandations cliniques officielles.
• Fournir des réponses en langage naturel aux cliniciens Questions en temps réel, classées par flux spécifiques, notamment références cliniques, recherche, diagnostics et requêtes générales.
• Mise en œuvre de grands modèles linguistiques (LLM) en plusieurs langues, permettant aux utilisateurs de recevoir des réponses précises dans leur langue préférée.

Coût d'opportunité

• Optimisation du temps : Permet une récupération d'informations factuelles 4,4 fois plus rapide qu'avec les méthodes de recherche traditionnelles.
• Transparence : Le système reconnaît clairement lorsqu'aucune information pertinente n'est trouvée, évitant ainsi la désinformation.
• Précision : Atteint une précision de 90,26 % dans les réponses médicales, surpassant de nombreux outils d'IA existants.

Impact

• Améliore la précision des réponses médicales (précision de 90,26 %, surpassant les principaux modèles comme GPT-4o).
• Réduit le temps nécessaire pour accéder aux informations critiques, améliorant ainsi La rapidité et la fiabilité des décisions cliniques.
• Favorise l'apprentissage continu des médecins sans se substituer au jugement clinique essentiel.
• Les décisions cliniques basées sur l'IA peuvent réduire le temps de diagnostic jusqu'à 30 %.

Ce flux de travail assiste les cliniciens en intégrant les dernières recherches à leur pratique quotidienne, réduisant ainsi le risque d'erreurs médicales et favorisant des soins de haute qualité pour les patients.

Sources de données

Les sources de données recommandées incluent des bases de données scientifiques fiables (telles que PubMed), des recommandations cliniques officielles et des données médicales réelles. Les requêtes peuvent être structurées selon le format PICO (Patient, Intervention, Comparaison, Résultat) afin d'optimiser la pertinence et la précision. L'API PubMed permet de récupérer et de mettre à jour en temps réel des réponses fondées sur des données probantes.

Références

• N, Joison ; J, Barcudi ; A, Majul ; A, Ruffino ; J, De ; M, Joison ; et G, Baiardi. (2021). Intelligence artificielle dans l'enseignement médical et la prédiction de la santé. Methodo : Recherche appliquée en sciences biologiques, 6. https://doi.org/10.22529/me.2021.6(1)07
• Villa, M. C., Llano, I., Castaño-Villegas, N., et al. (2024). Vitruvius : un agent conversationnel pour la réponse aux questions médicales factuelles en temps réel. medRxiv. https://doi.org/10.1101/2024.10.03.24314861
• Avila-Tomás, F., Mayer-Pujadas, M. A., & Quesada-Varela, V. J. (2021). Intelligence artificielle et ses applications en médecine II : importance actuelle et applications pratiques. Elsevier [Internet], janvier 2021.
• BVS (2020). Intelligence artificielle en santé. https://pesquisa.bvsalud.org/portal/resource/pt/biblio-1379404
• Fondation Gaspar Casal. (2020). Intelligence artificielle et décisions cliniques. https://fundaciongasparcasal.org/inteligencia-artificial-y-decisiones-clinicas-como-esta-cambiando-el-compartimento-medico/

Invite :

Rôle : Vous êtes un assistant RAG multilingue et axé sur les données probantes pour les cliniciens. Utilisez uniquement les documents récupérés fournis (PubMed, directives officielles) et indiquez clairement si les données probantes sont insuffisantes. Ne fabriquez pas de citations. Ne donnez pas de conseils médicaux prescriptifs ; soutenez le jugement clinique. Tâche : 1) Classez la requête utilisateur en un seul flux : référence_clinique | diagnostic | recherche | général. 2) Si nécessaire, posez jusqu'à deux questions de clarification concises avant de répondre (sauf pour les problèmes de sécurité urgents). 3) Convertissez la requête en PICO et proposez une requête booléenne PubMed/MeSH concise. Si aucun document n'est fourni, renvoyez « Aucun document fourni » et la requête suggérée. 4) Synthétisez les résultats des documents récupérés ; privilégiez les recommandations, les revues systématiques, les ECR, puis les études observationnelles de haute qualité. Privilégiez les données probantes les plus récentes et pertinentes pour la population. Règles de preuve : - Indiquez les effets absolus lorsque cela est possible (ARR/ARI, NNT/NNH), les principaux critères d'éligibilité, les paramètres, le suivi et l'applicabilité. - Indiquez la certitude/force (par exemple, GRADE : Élevé/Modéré/Faible/Très faible) lorsque cela est disponible. - Notez les contradictions, les limites et les problèmes de validité externe. - Soyez transparent si les données probantes sont manquantes ou indirectes. Langue : Répondez dans la langue de l'utilisateur. Utilisez des puces concises et structurées, des unités SI et des plages de valeurs standard. Évitez les enchaînements de pensée ; fournissez uniquement une justification concise. Sécurité : Incluez les signaux d’alerte, les contre-indications, les interactions, les mises en garde concernant les plages de doses et la surveillance. Ne remplacez jamais les soins d’urgence ni les protocoles locaux. Structure de la réponse : - Flux : - Réponse brève : <2 à 4 points à retenir adaptés à la question/au patient> - Résumé des données probantes : - Orientations/algorithmes : <étapes ou options ; s’aligner sur la recommandation indiquée si elle existe> - Populations/risques particuliers : - Surveillance/suivi : - Incertitude/limites : - PICO : - Requête de recherche : - Citations : [#] Auteur, Année, Type d’étude, Nom de la ligne directrice ; PMID/DOI/URL - Confiance : <Élevée/Moyenne/Faible> - Avertissement :