Article
Revues de littérature scientifique et potentiel de l’IA pour la synthèse de données probantes
-
Kimberly Ruiz
-
Malia Gill
Les revues de la littérature scientifique sont essentielles à l’activité de synthèse des données probantes, car elles appuient la prise de décisions dans le domaine des soins de santé et éclairent les pratiques et les politiques. Les équipes d’économie de la santé et de la recherche sur les résultats (HEOR) s’appuient sur des revues de la littérature scientifique pour évaluer les principales questions de recherche, cerner les lacunes dans les connaissances, orienter les orientations futures de la recherche et promouvoir l’application des résultats de la recherche dans des contextes réels.
Le type d’examen le plus complet, les revues systématiques de la littérature (SLR), est apprécié pour son approche rigoureuse et reproductible de l’évaluation des questions de recherche clés. La méthodologie transparente limite les biais, et les reflex sont considérés comme l’étalon-or de la médecine fondée sur des preuves. 1 D’autres types d’examens de la littérature scientifique, tels que les examens ciblés complets, utilisent des méthodes moins rigoureuses, mais fournissent tout de même des informations détaillées sur des sujets tels que le traitement et le paysage des maladies. Les SLR et les examens ciblés complets guident la stratégie et appuient les soumissions réglementaires, ce qui en fait des sources fiables pour le développement de médicaments.
Cependant, les reflex et les examens ciblés complets sont des processus qui demandent beaucoup de travail et de temps, prenant souvent des mois, voire des années. Ces longs délais et le nombre croissant d’articles publiés et de revues disponibles signifient que de nouvelles preuves peuvent rapidement remplacer les anciennes revues de littérature scientifique. 2 Cela peut entraver les processus de prise de décision, en particulier dans des domaines en évolution rapide comme les soins de santé et le développement de médicaments, où des informations précises et en temps opportun sont cruciales.
Cependant, les reflex et les examens ciblés complets sont des processus qui demandent beaucoup de travail et de temps, prenant souvent des mois, voire des années. Ces longs délais et le nombre croissant d’articles publiés et de revues disponibles signifient que de nouvelles preuves peuvent rapidement remplacer les anciennes revues de littérature scientifique. 2 Cela peut entraver les processus de prise de décision, en particulier dans des domaines en évolution rapide comme les soins de santé et le développement de médicaments, où des informations précises et en temps opportun sont cruciales.
En réponse, on s’intéresse de plus en plus aux outils et aux méthodologies qui peuvent favoriser une plus grande efficacité, comme l’intelligence artificielle (IA), qui pourraient accélérer le temps nécessaire à l’évaluation et à la mise à jour des revues de la littérature scientifique.3
Il est toutefois essentiel que ces outils soient validés et que leur utilisation soit guidée par des connaissances spécialisées sur le moment et l’endroit où ils sont les plus appropriés, ainsi que par une compréhension claire de la manière dont ils seront appliqués, en particulier dans les contextes d’utilisation où la rigueur scientifique de la méthode et des résultats est primordiale, comme les reflex.
Il est toutefois essentiel que ces outils soient validés et que leur utilisation soit guidée par des connaissances spécialisées sur le moment et l’endroit où ils sont les plus appropriés, ainsi que par une compréhension claire de la manière dont ils seront appliqués, en particulier dans les contextes d’utilisation où la rigueur scientifique de la méthode et des résultats est primordiale, comme les reflex.
Garder une longueur d’avance sur les données probantes
Les revues de littérature scientifique les plus rigoureuses et les plus approfondies sont celles réalisées dans le cadre des soumissions d’évaluation des technologies de la santé (ETS), qui respectent les lignes directrices strictes des agences d’ETS. Ces reflex doivent être complétés par des chercheurs expérimentés. En raison des limites des examens assistés par l’IA, y compris le risque de manquer des recherches pertinentes, l’IA n’est pas conseillée pour les reflex qui éclairent les décisions de l’ETS.
Cependant, les directives dans ce domaine évoluent. Le National Institute for Health and Care Excellence (NICE) du Royaume-Uni a publié une prise de position sur l’utilisation de l’IA dans la production de données probantes qui met l’accent sur l’engagement précoce avec NICE et le dialogue avec les équipes techniques de NICE si l’on utilise des méthodes d’IA. 4 Éventuellement, l’utilisation de l’IA comme deuxième examinateur peut être appropriée si les outils d’IA ont été correctement validés.
Des SLR sont également réalisés pour la stratégie interne et pour la publication. Ces types de SLR sont également essentiels pour identifier les lacunes en matière de données probantes et peuvent éclairer les plans intégrés de données probantes (PEI). La rigueur scientifique est toujours essentielle pour ces reflex. Par conséquent, il est conseillé de considérer l’IA comme deuxième examinateur pour la première phase de l’examen de la littérature.
Le fait d’avoir un réviseur humain et un réviseur IA dont les conflits sont résolus par un troisième réviseur humain permet un contrôle de qualité intégré. De plus, toutes les méthodes assistées par l’IA doivent être décrites de manière transparente dans les rapports ou les publications des SLR, ce qui est conforme aux lignes directrices PRISMA de 2020 sur la nécessité d’un « compte rendu transparent, complet et précis des raisons pour lesquelles (un) examen a été effectué, de ce que les auteurs ont fait (comme la façon dont les études ont été identifiées et sélectionnées) et de ce qu’ils ont trouvé (comme les caractéristiques des études contributives et les résultats des méta-analyses) ». 5 Si ces types de SLR peuvent être réalisés plus rapidement et à moindre coût avec l’aide de l’IA, les SLR peuvent être utilisés plus tôt dans le processus de développement du médicament et peuvent être mis à jour plus fréquemment. Cela peut mieux informer les PEI et conduire à une planification plus efficace de la production de données probantes.
Cependant, les directives dans ce domaine évoluent. Le National Institute for Health and Care Excellence (NICE) du Royaume-Uni a publié une prise de position sur l’utilisation de l’IA dans la production de données probantes qui met l’accent sur l’engagement précoce avec NICE et le dialogue avec les équipes techniques de NICE si l’on utilise des méthodes d’IA. 4 Éventuellement, l’utilisation de l’IA comme deuxième examinateur peut être appropriée si les outils d’IA ont été correctement validés.
Des SLR sont également réalisés pour la stratégie interne et pour la publication. Ces types de SLR sont également essentiels pour identifier les lacunes en matière de données probantes et peuvent éclairer les plans intégrés de données probantes (PEI). La rigueur scientifique est toujours essentielle pour ces reflex. Par conséquent, il est conseillé de considérer l’IA comme deuxième examinateur pour la première phase de l’examen de la littérature.
Le fait d’avoir un réviseur humain et un réviseur IA dont les conflits sont résolus par un troisième réviseur humain permet un contrôle de qualité intégré. De plus, toutes les méthodes assistées par l’IA doivent être décrites de manière transparente dans les rapports ou les publications des SLR, ce qui est conforme aux lignes directrices PRISMA de 2020 sur la nécessité d’un « compte rendu transparent, complet et précis des raisons pour lesquelles (un) examen a été effectué, de ce que les auteurs ont fait (comme la façon dont les études ont été identifiées et sélectionnées) et de ce qu’ils ont trouvé (comme les caractéristiques des études contributives et les résultats des méta-analyses) ». 5 Si ces types de SLR peuvent être réalisés plus rapidement et à moindre coût avec l’aide de l’IA, les SLR peuvent être utilisés plus tôt dans le processus de développement du médicament et peuvent être mis à jour plus fréquemment. Cela peut mieux informer les PEI et conduire à une planification plus efficace de la production de données probantes.
Un autre type d’examen de la littérature scientifique qui est particulièrement utile dans l’espace HEOR est l’examen ciblé complet. Les examens ciblés et exhaustifs couvrent souvent les domaines de la maladie et du traitement et éclairent le développement précoce de médicaments. Les méthodes assistées par l’IA sont particulièrement utiles pour les sujets généraux où il existe une grande quantité de littérature publiée. L’utilisation de l’IA pour effectuer la première phase de l’examen de la littérature est suggérée comme une option permettant de gagner du temps et de l’argent. Bien que les examens ciblés complets aient des exigences méthodologiques moins strictes que les SLR, les processus humains dans la boucle sont toujours importants, et la mise en œuvre de contrôles de qualité d’un pourcentage prédéterminé de références examinées par l’IA est également une option suggérée.
Enfin, la mise à jour des revues de la littérature scientifique – qu’il s’agisse d’examens reflex ou d’examens ciblés complets – est un autre type de synthèse des données probantes où l’utilisation de l’IA peut apporter des avantages. Les revues de littérature scientifique existantes peuvent être utilisées comme données d’apprentissage, et les outils d’IA peuvent être utilisés pour évaluer s’il y a suffisamment de nouvelles publications pertinentes pour effectuer une mise à jour de la revue. La surveillance de la documentation récemment publiée permettra de s’assurer que les mises à jour de l’examen seront effectuées en temps opportun et de manière appropriée.
Enfin, la mise à jour des revues de la littérature scientifique – qu’il s’agisse d’examens reflex ou d’examens ciblés complets – est un autre type de synthèse des données probantes où l’utilisation de l’IA peut apporter des avantages. Les revues de littérature scientifique existantes peuvent être utilisées comme données d’apprentissage, et les outils d’IA peuvent être utilisés pour évaluer s’il y a suffisamment de nouvelles publications pertinentes pour effectuer une mise à jour de la revue. La surveillance de la documentation récemment publiée permettra de s’assurer que les mises à jour de l’examen seront effectuées en temps opportun et de manière appropriée.
Adoption prudente de l’IA dans la production de données probantes
Trouver des moyens de répondre aux exigences des autorités de l’ETS tout en réduisant certains des processus chronophages est une grande priorité pour les entreprises, car chaque jour où un produit d’une entreprise n’est pas remboursé est une perte de revenus. Les lignes directrices du NICE aident dans une certaine mesure les entreprises à utiliser judicieusement l’IA pour améliorer la prise de décision en matière de production de données probantes. Cependant, le NICE a mis en garde contre la transparence et la fiabilité de l’IA.4
Dans le bon contexte et correctement appliqués, les outils d’IA peuvent responsabiliser les entreprises en rendant plus facile et plus rentable la réalisation de SLR plus fréquents et, par conséquent, les aider à prendre des décisions plus éclairées.
PRISMA fournit des conseils sur l’utilisation de l’automatisation dans sa liste de contrôle élargie 2020. Il s’agit notamment de rendre compte de la manière dont les outils d’automatisation ont été intégrés dans le processus global de sélection des études, ainsi que de l’application de l’apprentissage automatique dans le processus de sélection et de la validation effectuée pour comprendre le risque d’études manquées ou de classifications incorrectes.6
Dans le bon contexte et correctement appliqués, les outils d’IA peuvent responsabiliser les entreprises en rendant plus facile et plus rentable la réalisation de SLR plus fréquents et, par conséquent, les aider à prendre des décisions plus éclairées.
PRISMA fournit des conseils sur l’utilisation de l’automatisation dans sa liste de contrôle élargie 2020. Il s’agit notamment de rendre compte de la manière dont les outils d’automatisation ont été intégrés dans le processus global de sélection des études, ainsi que de l’application de l’apprentissage automatique dans le processus de sélection et de la validation effectuée pour comprendre le risque d’études manquées ou de classifications incorrectes.6
Des enquêtes menées auprès de décideurs du secteur de la santé montrent qu’ils sont de plus en plus à l’aise avec les outils d’IA pour l’agrégation et le résumé des preuves. Cependant, il subsiste des préoccupations légitimes concernant la sécurité et la protection de la vie privée lors de l’utilisation d’outils d’IA, ainsi que d’éventuels préjugés introduits par inadvertance par les examinateurs. En outre, il est important de souligner que l’IA nécessite une contribution considérable de la part des chercheurs et des experts médicaux et qu’il est essentiel d’assurer l’exactitude lors de la recherche de sujets susceptibles d’avoir un impact sur la santé et les soins de santé des personnes.
Certaines de ces préoccupations peuvent être résolues en utilisant des flux de travail d’examen de la littérature où les outils d’IA validés sont guidés par des chercheurs expérimentés. Les contrôles de qualité effectués par l’humain constituent également un moyen d’atténuer les risques et de maintenir l’intégrité de la recherche. Il est possible que l’IA mûrisse en tant qu’outil clé pour les revues de littérature, à condition qu’il y ait une base solide de formation et de validation dans son développement.
Des outils d’IA appropriés et fiables, axés sur les différentes parties du processus de génération de données probantes, peuvent grandement contribuer à alléger le fardeau, en donnant aux entreprises les informations dont elles ont besoin pour atteindre leurs objectifs d’accès au marché.
Certaines de ces préoccupations peuvent être résolues en utilisant des flux de travail d’examen de la littérature où les outils d’IA validés sont guidés par des chercheurs expérimentés. Les contrôles de qualité effectués par l’humain constituent également un moyen d’atténuer les risques et de maintenir l’intégrité de la recherche. Il est possible que l’IA mûrisse en tant qu’outil clé pour les revues de littérature, à condition qu’il y ait une base solide de formation et de validation dans son développement.
Des outils d’IA appropriés et fiables, axés sur les différentes parties du processus de génération de données probantes, peuvent grandement contribuer à alléger le fardeau, en donnant aux entreprises les informations dont elles ont besoin pour atteindre leurs objectifs d’accès au marché.
À propos des auteurs
Kimberly Ruiz est directrice principale de la production de données probantes et de la communication de la valeur chez Cencora. Elle dirige des équipes de chercheurs dans la réalisation de revues de littérature systématiques et ciblées, ainsi que divers types de travaux de communication médicale, y compris des publications scientifiques et l’élaboration de dossiers. Elle a plus de 20 ans d’expérience en tant que chercheuse dans les secteurs du conseil, des entreprises et des organismes à but non lucratif de l’industrie des soins de santé.
Malia Gill est responsable de la génération de données probantes et de la communication de valeur chez Cencora. Elle effectue des revues de littérature systématiques et ciblées afin de fournir une compréhension globale des tendances de la base documentaire. Ses travaux appuient les soumissions d’ETS, les méta-analyses, les modèles économiques et épidémiologiques et les publications scientifiques.
Malia Gill est responsable de la génération de données probantes et de la communication de valeur chez Cencora. Elle effectue des revues de littérature systématiques et ciblées afin de fournir une compréhension globale des tendances de la base documentaire. Ses travaux appuient les soumissions d’ETS, les méta-analyses, les modèles économiques et épidémiologiques et les publications scientifiques.
Kimberly Ruiz
Directeur principal, Génération de données probantes et communication de la valeur, Cencora
Malia Gill
Responsable, Communication de la génération de données probantes et de la valeur, Cencora
Cet article résume la compréhension du sujet par Cencora sur la base des informations accessibles au public au moment de la rédaction (voir les sources énumérées) et de l’expertise des auteurs dans ce domaine. Les recommandations formulées dans l’article peuvent ne pas s’appliquer à toutes les situations et ne constituent pas des conseils juridiques. Les lecteurs ne doivent pas se fier à l’article pour prendre des décisions liées aux sujets abordés.
Rapport
Anticiper les principales tendances en matière d’accès au marché mondial pour 2025
Le paysage des soins de santé de 2025 est sur le point de connaître des changements importants. Le rapport de Cencora, intitulé « Anticipating the top market access trends globally for 2025 » (Anticiper les principales tendances en matière d’accès au marché mondial pour 2025), met en évidence les principales tendances qui auront un impact sur l’accès des patients aux thérapies innovantes.
Les principales informations comprennent la navigation dans les changements de politiques mondiales, la compréhension de l’évolution de la dynamique entre les fabricants et les payeurs, la lutte contre les pressions sur les prix des médicaments, l’exploitation de la communication numérique pour l’engagement des parties prenantes et le renforcement de l’équité dans les soins de santé aux États-Unis
Les principales informations comprennent la navigation dans les changements de politiques mondiales, la compréhension de l’évolution de la dynamique entre les fabricants et les payeurs, la lutte contre les pressions sur les prix des médicaments, l’exploitation de la communication numérique pour l’engagement des parties prenantes et le renforcement de l’équité dans les soins de santé aux États-Unis
Entrez en contact avec notre équipe
Notre équipe d’experts en valeur de premier plan se consacre à la transformation des données probantes, des informations sur les politiques et des renseignements sur le marché en stratégies efficaces d’accès au marché mondial. Laissez-nous vous aider à naviguer en toute confiance dans les méandres complexes des soins de santé d’aujourd’hui. N’hésitez pas à nous contacter pour découvrir comment nous pouvons vous aider à atteindre vos objectifs.
Références:
1. OCEBM Levels of Evidence, Centre for Evidence-Based Medicine. https://www.cebm.ox.ac.uk/resources/levels-of-evidence/ocebm-levels-of-evidence
2. Approches de recherche documentaire à l’ère de l’augmentation du volume de publication, affiche ISPOR. https://www.ispor.org/docs/default-source/euro2024/isporeurope24cadarettesa57poster146827-pdf.pdf?sfvrsn=39a72ef6_0
3. Combien pouvons-nous économiser en appliquant l’intelligence artificielle dans la synthèse des données probantes ? Résultats d’un examen pragmatique visant à quantifier l’efficacité de la charge de travail et les économies de coûts, Front Pharmacol. 2025 janv. https://pmc.ncbi.nlm.nih.gov/articles/PMC11826052/
4. Utilisation de l’IA dans la génération de données probantes : Énoncé de position de NICE. https://www.nice.org.uk/about/what-we-do/our-research-work/use-of-ai-in-evidence-generation--nice-position-statement
5. La déclaration PRISMA 2020 : une ligne directrice mise à jour pour la déclaration des revues systématiques, BMJ, 2021. https://www.bmj.com/content/372/bmj.n71
6. Liste de contrôle étendue PRISMA 2020. https://www.bmj.com/content/bmj/suppl/2021/03/29/bmj.n71.DC1/pagm061899.w2.pdf
Ressources connexes
Cencora.com fournit des traductions automatiques pour faciliter la lecture du site Web dans des langues autres que l’anglais. Pour ces traductions, des efforts raisonnables ont été faits pour fournir une traduction précise, cependant, aucune traduction automatique n’est parfaite et n’est pas destinée à remplacer les traducteurs humains. Ces traductions sont fournies en tant que service aux utilisateurs de Cencora.com et sont fournies « en l’état ». Aucune garantie d’aucune sorte, expresse ou implicite, n’est donnée quant à l’exactitude, la fiabilité ou l’exactitude de ces traductions effectuées de l’anglais vers une autre langue. Certains contenus (tels que les images, les vidéos, Flash, etc.) peuvent ne pas être traduits avec précision en raison des limitations du logiciel de traduction.
Toute divergence ou différence créée lors de la traduction de ce contenu de l’anglais vers une autre langue n’est pas contraignante et n’a aucun effet juridique pour la conformité, l’application ou toute autre fin. Si des erreurs sont identifiées, veuillez nouscontacter. Si vous avez des questions sur l’exactitude des informations contenues dans ces traductions, veuillez vous référer à la version anglaise de la page.