Lecture critique des études d'intelligence artificielle en santé en anglais : validité et biais algorithmiques
Fiche de révision · Anglais médical · P2
L'essentiel du cours
Chapitre 1 : Pourquoi lire critiquement une étude d'IA en santé ?
Une performance impressionnante ne prouve pas à elle seule une utilité clinique.
Chapitre 2 : Validité interne, externe et pièges de validation
Bonne performance interne ≠ bonne performance en conditions réelles.
Chapitre 3 : Biais algorithmiques : de la donnée au déploiement
Un biais algorithmique est souvent un biais humain ou de données reproduit à grande échelle.
Chapitre 4 : Checklist de lecture critique en anglais
Une étude d'IA est cliniquement utile si elle améliore une décision et un outcome patient.
Teste-toi · 8 questions
1.Que signifie 'external validity' dans une étude d'IA en santé ?
Voir la réponseMasquer la réponse
Réponse : La capacité du modèle à rester performant dans une autre population ou un autre contexte.
La validité externe concerne la transportabilité du modèle vers d'autres patients, lieux ou périodes.
2.Un biais de sélection dans une étude d'IA survient surtout quand :
- A.L'article est publié en accès libre.
- B.Le modèle utilise un GPU puissant.
- C.Certains patients sont systématiquement exclus ou sous-représentés.
- D.Les données d'entraînement sont trop nombreuses.
Voir la réponseMasquer la réponse
Réponse C : Certains patients sont systématiquement exclus ou sous-représentés.
Le biais de sélection vient de la façon dont la population est recrutée ou filtrée.
3.Que désigne 'data leakage' ?
Voir la réponseMasquer la réponse
Réponse : La présence d'informations du jeu de test dans l'entraînement.
Le data leakage gonfle artificiellement les performances car le modèle voit indirectement les données de test.
4.Quelle métrique mesure la proportion de vrais positifs parmi les patients malades ?
- A.Sensitivity.
- B.AUC.
- C.Positive predictive value.
- D.Specificity.
Voir la réponseMasquer la réponse
Réponse A : Sensitivity.
La sensibilité est la proportion de malades correctement détectés.
5.Pourquoi un modèle avec une AUC de 0,95 peut-il être moins utile en clinique ?
Voir la réponseMasquer la réponse
Réponse : Parce que l'AUC ne mesure ni la calibration ni le bénéfice patient.
Une AUC élevée indique une bonne discrimination, mais pas nécessairement une bonne calibration ou un impact clinique.
6.Que vérifie la calibration d'un modèle ?
Voir la réponseMasquer la réponse
Réponse : La concordance entre les probabilités prédites et le risque observé.
La calibration compare le risque prédit au risque réellement observé.
7.Dans une étude d'IA, la 'ground truth' correspond à :
- A.Le résultat financier de l'étude.
- B.Le diagnostic ou critère de référence utilisé pour étiqueter les données.
- C.Le logiciel d'annotation.
- D.L'avis du comité d'éthique.
Voir la réponseMasquer la réponse
Réponse B : Le diagnostic ou critère de référence utilisé pour étiqueter les données.
La ground truth est la référence utilisée pour dire si un cas est positif ou négatif.
8.Quelle phrase anglaise signale une limite de validité externe ?
Voir la réponseMasquer la réponse
Réponse : External validation was not performed.
L'absence de validation externe limite la généralisation du modèle.