IA et science médicale : quand les machines mal-interprètent la recherche

Cet article de Nature Digital Medicine alerte sur les biais d'interprétation des IA (ChatGPT, OpenEvidence) qui deviennent souvent les premiers 'lecteurs' de la recherche biomédicale avant les cliniciens. Les auteurs documentent des cas concrets de généralisations excessives, d'erreurs propagées (comme la phrase absurde 'vegetative electron microscopy' citée dans 20+ publications) et de désinformation publique (paracétamol/autisme). Ils proposent deux frameworks, SIMcard et FACTS, pour standardiser l'interprétation des résultats scientifiques par les humains et les IA, à l'image de CONSORT et STROBE pour le design des études, afin de préserver la fidélité entre données et décisions cliniques.