L’ÉDITO
Si l’intelligence artificielle est un formidable copilote pour trier l’information médicale, elle n’a rien de magique. Sans rigueur humaine, les algorithmes propagent les fake news plus vite que les preuves cliniques. Face à ce déluge de données, la veille scientifique reste notre meilleur système immunitaire pour distinguer le signal du bruit.Chez DOCMEUP, nous défendons une médecine fondée sur les preuves. C’est pourquoi notre outil de veille évolue constamment : nous avons affiné la précision de nos filtres, amélioré la qualité de nos synthèses et optimisé le design de l’interface pour un confort de lecture maximal. De plus, nos équipes travaillent d’arrache-pied sur la constitution de l’état de l’art afin de vous permettre de cartographier les consensus scientifiques en un clin d’œil. Chaque étude vérifiée est un rempart pour notre pratique et la sécurité de nos patients. Restons en éveil pour que l’intérêt supérieur des patients soit au cœur de notre pratique.
LE SUJET TRANSVERSAL
Quand l’IA s’invite dans l’évaluation des risques des essais cliniques : où en est-on vraiment ?
Avouons-le : monter un essai clinique, c’est anticiper en permanence.
Risque de sécurité, signal d’efficacité qui s’érode, recrutement qui patine, sites qui décrochent… Chaque décision se prend avec une part d’incertitude, et souvent dans l’urgence. On a tous croisé ce moment où une alerte précoce aurait tout changé.
C’est exactement là que l’intelligence artificielle commence à se faire une place. Une scoping review parue en juillet 2025 vient justement cartographier ce qui se passe sur le terrain. Les auteurs ont passé au crible 142 études publiées entre 2013 et 2024, couvrant le machine learning classique, le deep learning et plus récemment les LLMs, appliqués à l’évaluation des risques dans les essais.
Ce constat est doublement intéressant. D’un côté, les résultats sont bluffants : certains modèles sont capables d’anticiper les risques (liés à la sécurité, l’efficacité ou l’organisation) avec une fiabilité frôlant les 96 % : détecter en amont un essai qui risque l’échec, repérer un signal de tolérance, anticiper des problèmes de recrutement. De l’autre, les auteurs pointent des limites qu’il serait imprudent d’ignorer : biais de sélection des données, validation rétrospective dominante, et manque criant d’études prospectives. Autrement dit, l’outil est puissant, mais sa robustesse en conditions réelles reste à confirmer.
Ce qui change pour nous ? L’IA n’est plus une promesse abstraite côté méthodo : c’est un outil d’aide à la décision qui mûrit vite. À nous de l’accueillir avec lucidité en gardant un œil critique sur ce qu’elle voit… et sur ce qu’elle ne voit pas encore.
Source : Hutchinson E. et al., npj Digital Medicine (Nature Portfolio), 2025.
LES ACTUS BRÛLANTES
L’IA en santé : pourquoi ça coince (encore) sur le terrain
Avouons-le, entre les promesses des startups MedTech et la réalité du cabinet ou du service, il y a parfois un monde. On nous vend l’IA comme la solution miracle, mais sur le terrain, l’enthousiasme se heurte vite à des questions très concrètes : qui forme les équipes ? Qui assume la responsabilité en cas d’erreur algorithmique ? Et surtout, est-ce que ça va vraiment me faire gagner du temps, ou m’en faire perdre ?
Bonne nouvelle : une revue systématique fraîchement publiée vient enfin poser les choses à plat. Les auteurs ont passé au crible 4499 articles pour en retenir 72, et ont cartographié, selon le modèle socio-écologique, 49 facteurs facilitants et 43 freins à l’adoption de l’IA en santé.
Ce qui rend cette analyse précieuse, c’est sa structuration sur 5 niveaux : individuel (compétences, perception du soignant), interpersonnel (relation soignant-patient, dynamiques d’équipe), organisationnel (infrastructures, formation), communautaire (culture locale du soin) et sociétal (cadre réglementaire, éthique).
Autrement dit : l’adoption ne dépend pas que de la « bonne volonté » des professionnels. C’est un écosystème entier qui doit s’aligner.
Le message clé pour notre pratique ? Si vous sentez des résistances dans votre service face à un nouvel outil d’IA, ce n’est probablement pas (que) de la technophobie. C’est souvent le signal qu’un des cinq niveaux n’a pas été pensé. Cette grille de lecture devient un outil concret pour les chefs de service, les DSI, les formateurs et pour vous, qui pouvez désormais nommer précisément ce qui bloque ou ce qui aide.
L’IA en santé ne s’imposera pas par décret. Elle s’intégrera quand l’écosystème sera prêt.
Source : Wandelt, S. et al. Healthcare professionals’ perspectives on artificial intelligence in patient care: a systematic review of hindering and facilitating factors on different levels. BMC Health Services Research, 2025.
CE QUE DOCMEUP RACONTE ?
Revues prédatrices : on a construit l’outil qu’on cherchait
Avouons-le, on s’est tous retrouvés face à un article qui sentait bon le sujet, le bon DOI… mais avec ce petit truc qui cloche. Facteur d’impact « maison », comité éditorial fantôme, revue jamais croisée. Et derrière, une vraie question : peut-on s’appuyer dessus pour éclairer une décision clinique ?
Plutôt que de s’en remettre à une liste noire unique, toujours datée, toujours partielle, on a construit chez docmeup un scoring fondé sur un faisceau d’indices. La logique : croiser en permanence les signaux positifs (indexations sérieuses, adhésion à des cadres éthiques reconnus, transparence éditoriale) avec les signaux négatifs (listes de signalement, métriques fantaisistes, anomalies de métadonnées). Chaque source est pondérée selon sa fiabilité et la discipline concernée.
Certains critères restent rédhibitoires, comme l’usurpation de revue. Pour le reste, c’est l’accumulation qui parle. Et surtout, on ne se fie jamais au site de la revue elle-même, les prédatrices mentent allègrement sur leurs affiliations.
Notre système évolue en continu, parce que les référentiels bougent et que les prédatrices s’adaptent. Vingt minutes de vérification manuelle ramenées à quelques secondes. Du temps qu’on préfère vous laisser pour vos projets !