Méta-analyses : quand plusieurs IA surpassent (un peu) les experts humains

Testée sur 1 020 résumés d’articles en rhumatologie, cette approche « multi-IA » repose sur un principe simple : une décision n’est acceptée que si plusieurs modèles aboutissent au même résultat.

Comparés à une évaluation humaine de référence (deux lecteurs indépendants, puis un troisième en cas de désaccord), les systèmes fondés sur différentes combinaisons de LLM ouverts (dont llama3, granite, qwen, Ministral, Yi, gemma 2, deepseek, Phi 3, Aya expanse) ont atteint une précision supérieure à 97 %, dépassant la performance humaine et révélant même certaines erreurs de classification initiale.

Pour les auteurs, ces résultats montrent qu’il est possible d’exploiter la complémentarité de plusieurs IA pour limiter les « hallucinations » et fiabiliser l’automatisation. Ceci pourrait transformer la conduite des méta-analyses, en déléguant aux IA le tri initial, long et répétitif, sans perte de qualité, et en permettant aux équipes de recherche de concentrer leur expertise sur les questions méthodologiques complexes et les cas ambigus.

À terme, l’accélération des revues systématiques pourrait raccourcir le délai entre la production des données scientifiques et leur intégration dans les recommandations de santé publique et la pratique clinique.