Apprentissage automatique en soins palliatifs : revue de portée des applications
Machine Learning in Palliative Care: Scoping Review of Applications.
L’essentiel
Cette revue de portée cartographie les applications de l'apprentissage automatique (ML) en soins palliatifs, au-delà de la prédiction de mortalité. Sur 121 études incluses (2015-2026), six domaines d'application ont été identifiés : prédiction de mortalité et survie (42,1 %), utilisation des soins de santé (20,7 %), évaluation des symptômes et phénotypage (16,5 %), communication et traitement du langage naturel (13,2 %), aide à la décision clinique et qualité des soins (5 %), et autres (2,5 %). Environ la moitié des études utilisent des techniques d'IA explicable (XAI), mais l'équité dans les performances des modèles est rarement évaluée (seulement 6,6 % des études l'abordent pleinement). La plupart des études (66,1 %) restent au stade de preuve de concept, et seulement 17,4 % atteignent un déploiement prospectif ou une intégration clinique. Les auteurs soulignent la nécessité de combler l'écart de translation par une attention systématique à la science de la mise en œuvre, à l'audit de l'équité et aux rapports d'explicabilité.
- Les applications du ML en soins palliatifs s'étendent au-delà de la prédiction de mortalité vers des usages centrés sur le patient, notamment la gestion des symptômes, l'aide à la décision clinique et la planification des ressources.
- Six domaines d'application ont été identifiés, avec une prédominance de la prédiction de mortalité et de survie (42,1 % des études).
- Seulement 6,6 % des études abordent pleinement l'équité dans les performances des modèles, ce qui risque de développer des outils non équitables pour diverses populations.
Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Comprendre l’analyse ↓Analyse du résumé uniquement. Confiance faible dans les informations extraites.
Voir les sources ↓Synthèse détaillée
Synthèse
Cette revue de portée cartographie les applications de l'apprentissage automatique (ML) en soins palliatifs, au-delà de la prédiction de mortalité. Sur 121 études incluses (2015-2026), six domaines d'application ont été identifiés : prédiction de mortalité et survie (42,1 %), utilisation des soins de santé (20,7 %), évaluation des symptômes et phénotypage (16,5 %), communication et traitement du langage naturel (13,2 %), aide à la décision clinique et qualité des soins (5 %), et autres (2,5 %). Environ la moitié des études utilisent des techniques d'IA explicable (XAI), mais l'équité dans les performances des modèles est rarement évaluée (seulement 6,6 % des études l'abordent pleinement). La plupart des études (66,1 %) restent au stade de preuve de concept, et seulement 17,4 % atteignent un déploiement prospectif ou une intégration clinique. Les auteurs soulignent la nécessité de combler l'écart de translation par une attention systématique à la science de la mise en œuvre, à l'audit de l'équité et aux rapports d'explicabilité.
Résultats principaux
Les applications du ML en soins palliatifs s'étendent au-delà de la prédiction de mortalité vers des usages centrés sur le patient, notamment la gestion des symptômes, l'aide à la décision clinique et la planification des ressources. Six domaines d'application ont été identifiés, avec une prédominance de la prédiction de mortalité et de survie (42,1 % des études). Seulement 6,6 % des études abordent pleinement l'équité dans les performances des modèles, ce qui risque de développer des outils non équitables pour diverses populations. Moins d'une étude sur cinq (17,4 %) a atteint l'intégration clinique, soulignant un écart de translation important. La moitié des études utilisent au moins une technique d'IA explicable, principalement des classements d'importance des caractéristiques et les valeurs SHAP.
Repères pour la pratique
Les cliniciens en soins palliatifs pourraient bénéficier d'outils d'IA pour la gestion des symptômes et l'aide à la décision, mais doivent être conscients du manque d'évaluation de l'équité et de la faible maturité de mise en œuvre. Les services de soins palliatifs devraient intégrer des audits d'équité et des exigences d'explicabilité lors de l'adoption d'outils d'IA. La planification des ressources pourrait être optimisée grâce à des modèles prédictifs d'utilisation des soins, mais leur validation externe et leur intégration clinique restent limitées.
Limites et précautions
L'article est hors du périmètre de NeuroWatch car il concerne les soins palliatifs et l'apprentissage automatique, sans rapport avec les troubles neurodéveloppementaux ou la neuropsychologie. Conformément à la méthodologie de la revue de portée, aucune évaluation formelle du risque de biais n'a été réalisée. La revue se limite aux études évaluées par les pairs et peut ne pas capturer toutes les applications en développement. La majorité des études proviennent des États-Unis (54,5 %), ce qui limite la généralisation à d'autres contextes de soins.
Analyse méthodologique
Non déterminable — Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Le texte intégral ouvert n’était pas accessible. Cela rend la robustesse non déterminable : l’absence d’information n’est pas interprétée comme une faiblesse de l’étude.
Une anomalie documentaire ou méthodologique a été détectée. L’article reste disponible et doit être interprété avec prudence.
Examiner les critères point par point
Cette analyse automatisée se base sur le résumé d'une revue systématique (scoping review) qui a suivi le cadre d'Arksey et O'Malley et les directives PRISMA-ScR. La recherche a couvert six bases de données de leur création jusqu'au 15 avril 2021, avec une mise à jour jusqu'au 9 février 2026 (date future, probablement une erreur typographique). Deux réviseurs ont indépendamment sélectionné et extrait les données. La synthèse a combiné des statistiques descriptives et une analyse thématique inductive. Conformément à la méthodologie des revues de portée, aucune évaluation formelle du risque de biais n'a été réalisée, ce qui constitue une limitation documentée. Sur les 121 études incluses, 50,4 % (61/121) ont utilisé au moins une technique d'IA explicable, principalement des classements d'importance des caractéristiques et des valeurs SHAP. L'équité des performances du modèle a été entièrement abordée dans seulement 6,6 % (8/121) des études, partiellement dans 6,6 % (8/121), et non abordée dans 86,8 % (105/121). Deux tiers des études (66,1 %, 80/121) sont restées au stade de preuve de concept, tandis que 16,5 % (20/121) ont atteint une validation externe et 17,4 % (21/121) un déploiement prospectif ou une intégration clinique. Les populations étudiées étaient principalement des patients en soins palliatifs, avec une prédominance du cancer (43 %). Les études provenaient de 24 pays, les États-Unis contribuant à 54,5 % (66/121). Les domaines d'application comprenaient la prédiction de mortalité et de survie (42,1 %), l'utilisation des soins de santé (20,7 %), l'évaluation des symptômes et le phénotypage (16,5 %), la communication et le traitement du langage naturel (13,2 %), et l'aide à la décision clinique (5 %). Les techniques d'apprentissage automatique comprenaient la classification supervisée (69,4 %), le traitement du langage naturel (13,2 %) et d'autres approches. Les auteurs concluent qu'il existe un écart de translation, avec seulement 17,4 % des études atteignant l'intégration clinique, et un manque de considérations d'équité, ce qui pourrait limiter la généralisabilité. Cependant, cette analyse NeuroWatch ne fournit pas de recommandation clinique. Les informations non rapportées dans la source analysée incluent la durée de suivi et les détails sur le financement ou les conflits d'intérêts. L'analyse est automatisée et basée uniquement sur le résumé, ce qui limite la capacité à évaluer la robustesse des résultats (non déterminée).
protocolFavorable
The scoping review followed the Arksey and O'Malley framework and PRISMA-ScR guidelines.
Un élément méthodologique adéquat est explicitement documenté.risk of biasPoint de vigilance
No formal risk-of-bias assessment was performed, consistent with scoping review methodology.
Une limitation méthodologique est explicitement documentée.search strategyFavorable
Six databases were searched from inception to April 15, 2021, with an update through February 9, 2026.
Un élément méthodologique adéquat est explicitement documenté.study selectionFavorable
Two reviewers independently screened and extracted data.
Un élément méthodologique adéquat est explicitement documenté.synthesis methodFavorable
Synthesis combined descriptive statistics and inductive thematic analysis.
Un élément méthodologique adéquat est explicitement documenté.Cette analyse est produite automatiquement par une IA à partir des sources indiquées, puis l’appréciation est calculée avec des règles versionnées (scientific_analysis_v2). Elle ne constitue ni une validation par un professionnel ni une recommandation clinique. Consulter la méthodologie.
Classification détaillée
Informations sur l’article
- Publication
- Revue systématique
- Source
- PubMed — neurosciences cognitives developpementales
- Date
- 21 août 2026
- Langue
- Anglais
- Accès
- abstract only
- Licence
- Non déterminée