La dernière décennie a vu une explosion du nombre de publications médicales 1, alimentée par des pratiques éditoriales intensives et de nouvelles revues. Cette croissance rend la recherche bibliographique longue et fastidieuse avec les moteurs de recherche historiques (principalement PubMed). L’usage des outils d’intelligence artificielle (IA) constitue une solution pour accélérer le processus et augmenter la pertinence des requêtes.
L’initiative AI Lab de l’ATS a pour objectif d’augmenter la littératie des membres de la société concernant l’usage de l’IA. Ainsi, cette année, trois sessions sur la place de l’IA dans l’éducation, la recherche et les applications cliniques étaient programmées. Le principe général des outils d’IA repose sur la rédaction d’un prompt, lui-même fondé sur cinq principes généraux : définir la tâche (et se présenter), préciser le contexte (la question de recherche), fournir les références, évaluer les résultats et surtout itérer afin d’améliorer la réponse. Ces outils sont aujourd’hui largement utilisés par les médecins 2, mais probablement encore maladroitement. Or, meilleure est la requête, meilleure sera la réponse.
Le cas d’usage de la recherche bibliographique permet de balayer l’ensemble des possibilités. Le moteur de recherche de référence reste PubMed, avec des alternatives plus larges ouvertes au monde non médical (dont Google Scholar, Semantic Scholar, BASE ou CORE). Il peut être plus pertinent d’utiliser d’autres outils plus interactifs (tels qu’Elicit, Consensus, OpenScholar ou Scispace), capables de produire des synthèses narratives illustrées de tableaux et de répondre à des questions au lit du patient (comme Open Evidence, qui a des partenariats avec de prestigieuses revues : NEJM, JAMA, Cochrane, NCCN). Une approche intéressante consiste à utiliser des outils de « mapping » permettant d’établir des connexions entre les références et de faire varier graphiquement leur taille ainsi que les nœuds en fonction de leur importance (Connected Papers, Research Rabbit, Scite.ai, Litmaps).
Plus récemment, les LLM les plus puissants (Claude, ChatGPT, Gemini, Perplexity) constituent une alternative qui nécessite toutefois de savoir travailler avec ces outils via des prompts dont la complexité et l’exhaustivité permettent d’affiner la recherche. Enfin, tous les résultats doivent être vérifiés attentivement, car les hallucinations (création de fausses références) restent possibles. Les autres limites sont liées à la sous-représentation des publications non anglophones, au décalage temporel depuis l’entraînement du modèle, à l’absence de critique fine des résultats et enfin au coût écologique associé.
Demain, des agents IA permettront, une fois correctement paramétrés, de créer une veille scientifique correspondant exactement à vos besoins. Au total, les outils d’IA sont extrêmement puissants et permettent d’accélérer la recherche bibliographique, la réponse aux appels à projets, l’analyse statistique et la rédaction de l’article final… Cependant, même à Orlando, rien n’est magique, et l’appropriation de ces outils nécessite du temps et de nombreuses itérations. Itérons, itérons, mais restons vigilants (cf. référence 1, d’allure crédible, mais la revue m’étant inconnue, l’hallucination reste possible) !
Pierre-Yves Brillet, INSERM 1272, Santé-Médecine-Biologie-Humaine, Université Paris 13 et Service de radiologie, Hôpital Avicenne, Bobigny
D’après la présentation de CP. Hersh et G. Marchi. AI tools in literature: review & synthesis. Session The Accelerated Researcher: From Hypothesis to Publication.
- Hanson MA, Barreiro PG, Crosetto P, Brockington D. The strain on scientific publishing. Quantitative Science Studies 2024;5(4):823-843. https://doi.org/10.1162/qss_a _00327 ↩
- Liang W, Zhang Y, Wu Z, Lepp H, Ji W, Zhao X, Cao H, Liu S, He S, Huang Z, Yang D, Potts C, Manning CD, Zou J. Quantifying large language model usage in scientific papers. Nat Hum Behav 2025;9(12):2599-2609. ↩
