Lecture critique des études d'intelligence artificielle en santé en anglais : validité et biais algorithmiques

Une étude d'intelligence artificielle en santé est d'abord un article scientifique : elle pose une question, décrit une population, un modèle et des résultats. En anglais médical, on repère les mots-clés : study design, dataset, training set, test set, outcome et validation. Lire critiquement, c'est ne pas s'arrêter à une performance élevée comme 'AUC 0.95'. On cherche si l'étude est valide, si les patients ressemblent aux nôtres et si le résultat change une décision clinique. Le bon réflexe est de séparer ce qui est prouvé de ce qui est seulement suggéré.

La validité interne demande si l'étude est bien conduite dans sa propre population : pas de data leakage, pas d'overfitting, analyse adaptée. La validité externe demande si le modèle reste performant dans un autre hôpital, un autre pays ou une autre période. La validité de construit vérifie si la métrique mesure vraiment ce qui compte pour le patient, pas seulement une bonne prédiction statistique. En anglais, on distingue training set, validation set et test set ; le test set doit rester indépendant. Sans validation externe, on ne sait pas si le modèle 'generalizes'.

Un biais algorithmique est une erreur systématique qui favorise ou défavorise certains patients. Le selection bias apparaît si certains groupes sont exclus ou sous-représentés dans le dataset. Le label bias vient d'une ground truth imparfaite : les étiquettes reflètent parfois des inégalités de soins. Le spectrum bias existe si les cas testés ne ressemblent pas aux cas réels, par exemple uniquement des formes graves. Au déploiement, le dataset shift et l'automation bias peuvent aggraver les erreurs.

Pour lire un article en anglais, suivez une checklist : question clinique, population, design, dataset, validation, métriques et limites. Les recommandations comme TRIPOD-AI, CONSORT-AI, STARD-AI et CLAIM aident à vérifier la transparence. Demandez : 'Was there external validation?' 'How was the reference standard defined?' 'Are calibration and decision curve analysis reported?' Regardez aussi les conflits d'intérêts, l'accès au code et aux données. Enfin, traduisez la conclusion en décision clinique concrète : pour quel patient, quel bénéfice, quel risque ?