Le rapport EASAC-FEAM (septembre 2026), analysé vendredi 2 octobre, ne contient pas de chapitre ni de recommandation sur la rédaction d’articles scientifiques en tant que telle. Il ne dit rien sur la politique des revues, le rôle des éditeurs, la paternité des articles ou l’usage des LLM pour écrire. Il porte sur la gouvernance de l’IA dans les soins. On y trouve tout de même plusieurs indications, souvent indirectes, qui concernent la publication.
Lignes directrices de reporting
J’ai été surpris par l’exemple à partir de TRIPOD (Transparent Reporting of a multivariable prediction model for Individual Prognosis or Diagnosis) qui est une ligne directrice pour écrire un manuscrit. TRIPOD est sur EQUATOR avec les déclinaisons AI et LLM.
-
Utiliser TRIPOD+AI ou TRIPOD-LLM (annexe, tableau A5, p. 73-74). Ces grilles servent à décrire clairement la conception et l’évaluation des modèles : titre, résumé, méthodes, éthique. Le rapport cite TRIPOD+AI (Collins et al. 2024, items 1-27) et TRIPOD-LLM (Gallifant et al. 2025, items 1-19).
-
Le tableau A5 est une check-list qui relie TRIPOD+AI, l’AI Act européen et le code de conduite de la National Academy of Medicine. Plusieurs de ses items touchent directement le contenu d’un article :
-
décrire la population du jeu de données, les données manquantes et les sous-groupes, et présenter des mesures de biais ;
-
présenter la validation interne et externe avec des intervalles de confiance ;
-
déclarer les conflits d’intérêts, les financements, le consentement et l’implication des patients et des cliniciens ;
-
archiver le code et les modèles quand c’est possible ;
-
indiquer l’énergie et les ressources consommées pour entraîner le modèle, ce qui est peu habituel.
-
Transparence méthodologique
-
Validation (p. 19-21) : le rapport demande des protocoles ouverts, une réplication indépendante et un reporting standardisé.
-
Il faut documenter l’origine des données et le prétraitement, et éviter les « fuites » de données entre entraînement et test.
-
Le choix des métriques doit être justifié par le risque clinique et l’usage prévu, et non se limiter à des indicateurs génériques.
-
Les méthodes, les métriques et les limites doivent être rapportées de façon transparente, de même que la composition des jeux de données et leur curation.
-
-
Équité (p. 35) : le rapport soutient les « model cards », qui imposent de présenter la performance par groupe démographique (origine, genre, région).
-
Conséquences pour les patients (p. 15) : il demande de traduire les limites techniques en effets concrets pour les patients, comme les cancers manqués ou les diagnostics retardés. La performance doit aussi être montrée selon l’âge, le sexe, l’origine, le handicap et le niveau socio-économique.
L’IA pour rédiger ce rapport
Les auteurs déclarent eux-mêmes leur usage de l’IA (p. 61-62). Ils ont utilisé GPT-5.6 Pro ou des versions antérieures seulement comme aide technique : harmoniser le texte et mettre en forme les références. Ils affirment ne pas s’en être servis pour rédiger ni pour analyser ou interpréter les données. Ils précisent avoir relu chaque suggestion de manière critique et rester entièrement responsables de l’exactitude et de l’intégrité du rapport. Cela correspond aux positions de l’ICMJE et du COPE, même si le rapport ne les cite pas.
