L’IA peut-elle évaluer de façon fiable les complications du diabète ? Pilote de benchmark médical sur 12 cas

Résumé : Transformez d’abord le « dossier » en un protocole d’évaluation vérifiable

La difficulté de l'IA pour les complications du diabète n'est pas de laisser le modèle nommer une maladie à partir d'un dossier médical, mais de lui permettre d'accomplir de manière stable des tâches définissables dans des sources de preuves cliniques réelles, transversales et complexes : lire les résultats de tests corrects, conserver l'unité et l'heure, faire la distinction entre la base diagnostique et la spéculation, identifier les signaux à haut risque et s'arrêter clairement lorsque les preuves sont insuffisantes.Un point de référence significatif doit mesurer ces capacités séparément et ne peut pas remplacer l'efficacité clinique par un « taux de précision » général.

Ce paquet compressé ci-joint contient 12 cas après inventaire structurel, couvrant quatre catégories : neuropathie périphérique diabétique, néphropathie diabétique, rétinopathie diabétique et pied diabétique, avec 3 cas dans chaque catégorie ; il existe 78 fichiers PDF et 251 fichiers CSV, et le fichier CSV totalise environ 3 413 enregistrements de données.Le nombre de fichiers et de lignes du tableau décrit la structure de prestation et n'équivaut pas au nombre de patients uniques ou à la taille de l'échantillon disponible pour l'inférence statistique.La pièce jointe convient comme dictionnaire de données, manuel d'annotation, interface d'évaluation, processus d'arbitrage et pilote de faisabilité pour la classification des erreurs ;il ne suffit pas à ce stade de fournir des classements de modèles, la prévalence de la maladie, la sensibilité ou les conclusions sur les avantages cliniques.

LumeSage a suggéré de nommer le projet « LumeSage DiaComp-Bench » comme cadre pilote proposé.Le nom n’implique pas une liste officielle existante ou une vérification clinique complétée.Cet article fournit des instructions d'évaluation vérifiables, des tâches de candidat et des chemins de construction ; la liste officielle sera publiée après examen de la gouvernance, de la taille de l’échantillon, des normes de référence, de la vérification inter-agences et des règles de fonctionnement.

1. Ce que nous dit la pièce jointe et ce qu'elle ne nous a pas encore dit

1.1 Les quatre types de maladies ne sont pas quatre étiquettes pour une seule tâche

Les quatre types de cas font ressortir différentes chaînes de preuves cliniques. Le jugement de la néphropathie diabétique nécessite des indicateurs de laboratoire, sa durée, ses comorbidités et d'éventuelles autres causes ;Le classement de la rétinopathie dépend de la qualité de l'image du fond d'œil, des lésions standardisées et des règles de classement ; la neuropathie périphérique implique différentes preuves telles que les symptômes, l'examen sensoriel, la sensation protectrice et la neuroélectrophysiologie ; Le pied diabétique peut inclure l'emplacement de l'ulcère, sa profondeur, son infection, son ischémie, sa neuropathie et son résultat de guérison.Ils peuvent partager la gouvernance des données et l’infrastructure de mesure, mais les valeurs de vérité de référence, les populations cibles, les coûts d’erreur et les implications cliniques ne peuvent pas être simplement fusionnés. Les données de description PDF et CSV dans la pièce jointe

contiennent à la fois une description du document et des champs structurés.Les codes d'éléments d'examen courants, les noms, les valeurs de résultat, les unités, les plages de référence et les marques anormales au format CSV peuvent également inclure des ordonnances médicales, des médicaments, des conclusions de rapport ou des résultats d'examen.Le PDF peut fournir des informations contextuelles, narratives et de formatage.Mais « il y a un certain champ dans le fichier » ne signifie pas automatiquement que la définition du champ est cohérente, que l'unité est unifiée, que la source est complète ou que l'étiquette est correcte.Le fichier source, le numéro de page/colonne, la valeur originale, la valeur standardisée, l'unité, la sémantique temporelle, la règle de conversion, la raison manquante et le statut de révision doivent être enregistrés pour chaque champ pendant la construction.

Actuellement, la pièce jointe ne dispose pas d'un catalogue d'images fournies sous forme de fichiers JPEG, PNG, DICOM ou fundus/OCT autonomes. Par conséquent, ce qui peut être discuté à ce stade est l'extraction de preuves à partir de rapports et de formulaires existants, la compréhension des documents et des tâches de texte limitées lorsque des preuves d'imagerie existent dans le rapport ;on ne peut pas prétendre qu'il réunit les conditions nécessaires à la gradation des images du fond d'œil, à l'interprétation OCT, à la reconnaissance d'images de plaies du pied ou à l'évaluation de fusion d'images multimodales.Lorsque des images seront reçues ultérieurement, l'équipement, le protocole d'imagerie, la qualité de l'image, les coordonnées annotées, l'institution d'acquisition et la portée de l'autorisation doivent également être vérifiés.

1.2 L’« unité d’échantillonnage » dans un petit échantillon doit être clairement indiquée

L'unité d'analyse indépendante est le cas/patient, et non le PDF, le CSV, le numéro de page, l'élément de test ou la ligne d'enregistrement. Un cas divisé en dizaines de dossiers ne contribue toujours qu’à un seul patient indépendant ;plusieurs tests sur la même personne sont également liés les uns aux autres.La division aléatoire des lignes de fichiers en ensembles de formation et de test permettrait aux informations sur le même patient de franchir les frontières et d'introduire de graves fuites. Si une formation ou un développement est réalisé à l'avenir, les patients doivent être regroupés dans leur ensemble ;dans les contextes multicentriques, la validation externe doit être conçue par institution ou par période.

Lorsqu'il n'y a que 3 cas par catégorie de maladie, un seul cas représente un tiers du groupe pour cette catégorie de maladie.Même si les 12 cas sont corrects, on ne peut pas en déduire que la sensibilité clinique atteint 100 %.A ce stade, ce qui peut être vérifié, c'est si le processus est en cours, si les domaines ont des sources, si les désaccords d'experts peuvent être arbitrés et si des erreurs sont imputables ;L'ASC, le risque de maladie, la généralisation à d'autres populations ou les listes modèles d'avantages et d'inconvénients ne doivent pas être publiés.

2. Divisez les quatre types de complications en tâches d'évaluation reproductibles

La liste doit d'abord répondre « ce qui est mesuré », puis « qui obtient le score le plus élevé ».Il est recommandé d'établir un catalogue de tâches à deux niveaux : les tâches générales de compréhension des données et les tâches spécifiques à la maladie.Chaque élément forme une fiche de tâche avec un type d'entrée fixe, une population applicable, un résultat cible, une source de preuves, une norme de référence, des conditions d'exclusion, une fonction de notation, un niveau de risque clinique, une version et des utilisations interdites.La réponse doit pouvoir remonter aux preuves originales ; un modèle qui ne donne qu’une conclusion mais pas une chaîne de preuves ne devrait pas avoir le même score qu’un système traçable.

Piste A｜Extraction structurée des dossiers médicaux et des données d'examen

Extrait les éléments d'examen, les résultats, les unités, les intervalles de référence, les indicateurs anormaux, les médicaments et les diagnostics à partir de PDF/CSV et lie chaque valeur à un cas, un événement d'examen et une heure.Les indicateurs vérifient non seulement si les champs correspondent, mais doivent également vérifier respectivement la valeur, l'unité, le signe, la limite de l'intervalle, l'analyse de la date et le positionnement de la source.« Pas vu », « non vérifié » et « négatif » dans le rapport ne peuvent pas être combinés dans la même valeur nulle ; la formule et la précision de l'arrondi doivent être enregistrées pour la conversion des unités.Il est recommandé de signaler la correspondance exacte, la précision/rappel/F1 au niveau du terrain, la précision numérique et unitaire combinée, la précision de l'analyse temporelle, la précision de la localisation des preuves et la précision du traitement des rejets/manquants.

Voie B | Néphropathie diabétique : statut de risque longitudinal et cohérence des preuves

Si les données peuvent être retracées à des tests répétés, le modèle de mesure peut identifier correctement les valeurs, les unités, les tendances et les intervalles de temps autour du DFGe, du rapport albumine/créatinine urinaire (UACR), de la créatinine sérique, de la durée du diabète, de la tension artérielle et des informations sur les médicaments.Les « Normes 2026 pour le diagnostic et le traitement du diabète » de l'ADA recommandent de surveiller le DFGe et l'UACR pour les patients diabétiques et de déterminer la fréquence des réexamens en fonction de la stratification du risque d'IRC ; cela montre que la « fenêtre temporelle » et les changements continus eux-mêmes font partie de la définition de la tâche, plutôt que des champs supplémentaires[1].L’inférence diagnostique basée sur une seule valeur anormale ne peut pas remplacer un diagnostic clinique standardisé et un jugement continu.Si vous effectuez une tâche de prédiction, le point de départ de la prédiction, la période de prédiction, le résultat, le risque de base, le traitement du changement de traitement et les risques concurrents doivent être définis à l'avance, et cette annexe ne dispose pas de la taille d'échantillon requise pour former une vérification fiable du modèle de risque.

Suivi de la rétinopathie diabétique C : compréhension du rapport et test de l'image du fond d'œil séparément

Il est actuellement possible d'évaluer l'extraction des « constatations-notation-recommandations » à partir de rapports existants, si différents champs sont incohérents les uns avec les autres et si les recommandations de référence sont basées sur le texte original ; cependant, sans images indépendantes du fond d'œil/OCT, la détection, le classement, la localisation des lésions ou la généralisation multi-caméras des lésions ne peuvent pas être évalués.Le référentiel d'imagerie du fond d'œil doit spécifier le champ de vision de l'imagerie, les yeux gauche et droit, la qualité de l'image, le traitement de l'image non qualifié, le système de notation et l'arbitrage du lecteur.Par exemple, les données de recherche multimodales sur la rétine publiées par « Scientific Data » en 2026 contiennent 24 460 images, qui sont affinées en cinq niveaux de gravité, sept types de lésions et le classement de l'œdème maculaire OCT, reflétant les exigences de l'évaluation des images pour les étiquettes à grain fin, l'appariement des modalités et le contrôle qualité.[2].Une étude multimodale sur grand modèle a observé des différences de performances entre différents modèles et une sensibilité de détection de gravité plus faible dans 309 yeux de 188 patients, rappelant à la liste que la liste ne peut pas seulement rendre compte de la précision globale, mais doit également montrer les diagnostics manqués et les erreurs de notation.[3]。

Piste D｜Neuropathie périphérique et pied diabétique : stratification des preuves, gravité et sécurité

La tâche administrative de neuropathie périphérique vérifie si les symptômes, les schémas d'examen, les résultats sensoriels de protection et leur corrélation temporelle sont correctement enregistrés, et détecte si le modèle écrit par erreur « non enregistré » comme « examen normal ».Les chapitres sur la neuropathie et les soins des pieds des « Normes 2026 pour le diagnostic et le traitement du diabète » de l'ADA mettent l'accent sur le dépistage de la neuropathie, l'évaluation des risques liés aux pieds et l'examen physique standardisé ; par conséquent, la fiche de tâche doit clarifier la méthode d'examen, la fréquence des examens et le seuil de référence afin d'éviter de traiter les enregistrements manquants comme négatifs.[7]. Les tâches mesurables du pied diabétique peuvent commencer par l'extraction de l'emplacement, de la taille de la plaie, des signes d'infection, des indices d'ischémie, du classement et des résultats des dossiers médicaux ;les futures tâches d'imagerie doivent avoir des conditions de prise de vue standard, une référence d'échelle, un étiquetage des lésions et des résultats cliniques.En l’absence d’images, l’exécution de la tâche de dossier médical écrit ne peut pas être utilisée pour indiquer la capacité visuelle de la plaie.Manquer une alerte à haut risque, déclasser un conseil d'urgence en un conseil à faible risque ou inventer un grade d'ulcère à partir de rien devraient tous être enregistrés comme des erreurs graves et signalés séparément plutôt que compensés par des réponses correctes dans un grand nombre de champs simples. L'indicateur

Pour éviter que les scores ne masquent les différences cliniques, les quatre catégories de pistes ne doivent pas être regroupées en un seul classement général.Si des scores récapitulatifs doivent être fournis à l’avenir, les indicateurs d’origine, la composition des cas, les intervalles de confiance, les règles de pondération et le champ d’application de chaque piste doivent être divulgués en même temps ;les modalités et tâches manquantes doivent être affichées comme « non évaluées » et ne peuvent pas être considérées comme zéro point ou transmises par défaut.

3. Normes de référence, annotations d'experts et sécurité des patients

3.1 La norme de référence est un système de preuves traçables, pas un vote

La vérité clinique ne peut pas simplement copier le dernier champ diagnostique qui apparaît dans le dossier médical.Il est nécessaire de définir d'abord le niveau de preuve de référence pour chaque tâche : par exemple, les tests de laboratoire utilisent des rapports de laboratoire qualifiés et des informations sur l'unité/méthode ; les résultats rénaux sont construits selon les définitions des lignes directrices et les fenêtres temporelles spécifiées ; la notation du fond d'œil est basée sur des échelles pré-enregistrées, des images qualifiées et des lectures d'experts ;les résultats du pied définissent clairement la base et le moment de l’infection, de l’ischémie, de la guérison ou de l’amputation.Lorsqu'un cas ne remplit pas les conditions, il doit être marqué comme « impossible à déterminer/preuves insuffisantes » et les étiquettes ne peuvent pas être générées de force.Lorsque différentes preuves entrent en conflit, la cause du conflit et l'arbitre final doivent être retenus au lieu d'écraser les données originales.

recommande qu'un groupe d'experts soit constitué pour chaque maladie : le service d'endocrinologie est responsable du contexte clinique général du diabète, et les experts en néphrologie, ophtalmologie, neurologie et plaies/vasculaires sont respectivement responsables de la définition des maladies spécialisées ;les ingénieurs de données, les statisticiens et les responsables de la sécurité des patients participent à l’examen des tâches et des règles de notation.Développer des manuels, des exemples positifs et négatifs, des cas limites, des codes manquants et des numéros de version avant l'étiquetage ;les étiqueteurs doivent être formés et réussir l’ensemble d’étalonnage avant de se lancer dans l’étiquetage formel. Au moins deux experts qualifiés font des annotations indépendantes ; calculer des indicateurs de cohérence appropriés et donner des catégories de désaccord ;et un troisième expert senior arbitre. Cohen/Fleiss κ, κ pondéré, corrélation intraclasse ou taux d'accord doivent être sélectionnés en fonction du type de variable, et une statistique de cohérence ne peut pas être appliquée mécaniquement à toutes les étiquettes.

3.2 Considérer « peut refuser de répondre » comme une capacité fiable

Les systèmes de santé ne devraient pas obtenir des notes élevées simplement parce qu'ils ont des taux de réponse élevés.La tâche doit mettre en place des situations telles que l'incapacité de juger, une qualité d'image insuffisante, des tests clés manquants, des conflits d'étiquettes et au-delà de la population applicable, et évaluer si le modèle est approprié pour demander des informations supplémentaires ou les transférer au personnel clinique.Les scores doivent rendre compte conjointement des taux de couverture et d’erreur : réduire la couverture peut améliorer la précision, mais si le système ne répond qu’aux cas faciles, il doit être présenté via une courbe de couverture des risques ou un seuil de couverture prédéfini ; les accidents dangereux, les fausses assurances et les diagnostics infondés doivent être répertoriés séparément pour les événements de sécurité.

3.3 L'autorisation, l'éthique et l'anonymisation doivent précéder l'analyse comparative du modèle

Le nom du fichier joint indique « désensibilisé », ce qui n'est qu'une déclaration source et ne constitue pas une preuve indépendante d'anonymisation ou d'utilisation légale.L'analyse automatique du texte de ce lot de documents n'a pas réussi à détecter les modèles courants d'informations d'identité, mais elle ne peut pas remplacer l'inspection page par page des documents originaux, l'inspection des images/OCR, l'inspection des métadonnées, une combinaison rare d'évaluation des risques de réidentification, la vérification des documents d'autorisation et le jugement éthique.Les données au niveau des patients doivent établir les sources légales, les finalités d'utilisation, la portée de l'autorisation, le personnel d'accès, les périodes de conservation, les règles de suppression et d'audit ;la désidentification ne signifie toujours pas nécessairement l’anonymisation. Seules des statistiques globales suffisantes seront publiées pour un affichage externe, et aucun texte, capture d'écran ou combinaison rare pouvant être retracée aux cas ne sera publié.L'ensemble de formation et l'ensemble de tests privés implémentent un accès décentralisé, et la soumission du modèle et l'accès aux données laissent des traces.

4. Tableau de bord : Des réponses correctes à des réponses crédibles, robustes et utilisables

Ce qui suit est un cadre d'évaluation suggéré, et non une note calculée pour le cas ci-joint ou tout autre modèle. L'accès à la gouvernance sert de seuil de veto d'une voix : ceux qui échouent en matière d'éthique/d'autorisation, de désensibilisation, de base d'étiquetage, de vérification des fuites et d'informations sur la version ne participeront pas à la comparaison de la liste. Après avoir réussi l'admission, les scores sont fixés en fonction des tâches cibles de la filière spécifique ;des modules tels que l'exactitude des tâches cliniques, la traçabilité des preuves, la qualité des données structurées, la sécurité et le rejet, la robustesse/performance inter-domaines peuvent être définis sur une échelle de 100 points. Cependant, les poids spécifiques doivent être pré-enregistrés conjointement par des experts, des utilisateurs cliniques et des équipes de statistiques avant que l'ensemble de tests ne soit gelé et vérifiés par une analyse de sensibilité. Les pondérations ne doivent pas être ajustées par la suite pour poursuivre l'avance d'un certain modèle.

doit correspondre à la tâche. L'extraction de champ rapporte une correspondance exacte avec la précision/rappel/F1 au niveau du champ ; les valeurs continues signalent les erreurs et l'exactitude des unités ; la gravité ordinale utilise un κ pondéré ou une matrice de confusion de rang ;les tâches de prédiction donnent simultanément une discrimination, un calibrage, un bénéfice net aux seuils cliniques et aux intervalles de confiance ;les réponses ouvertes utilisent des listes de faits atomiques élaborées par des experts, des preuves, des omissions critiques et des échelles de gravité, ainsi qu'une vérification manuelle de la cohérence des évaluateurs automatisés. L'étalonnage ne peut pas être remplacé par la « confiance autodéclarée du modèle ». Les études prédictives doivent suivre des recommandations de reporting transparentes telles que TRIPOD+AI ;les données multi-institutions/clusters doivent également rendre compte de l’hétérogénéité institutionnelle et de l’analyse correspondante[4]。

Cette fois, n=12 n'est pas suffisant pour estimer de manière stable ces indicateurs globaux.Les résultats pilotes appropriés sont des listes d'erreurs au niveau des cas (uniquement dans les environnements autorisés), des lacunes dans la définition des tâches, des désaccords d'annotation, des échecs de formatage systématiques, des temps de révision manuelle, des points d'arrêt de processus et des résultats de tests de script de notation.Les véritables classements des modèles ne sont pas divulgués au monde extérieur. Avant d'entrer dans l'étape de vérification formelle, la démonstration de la taille de l'échantillon doit être basée sur la prévalence attendue, les objectifs de sensibilité/spécificité, la largeur de l'intervalle de confiance autorisée, le regroupement institutionnel, la proportion de suivis perdus et d'examens invalides ;patients plutôt que de documenter les unités statistiques de comportement, l’estimation des intervalles doit de préférence utiliser des méthodes qui peuvent refléter la structure de regroupement.

5. Comment éviter les fuites, les biais et les fausses précisions dans les listes

5.1 Les ensembles de tests cachés doivent pouvoir empêcher le « swiper les classements »

Si tous les cas de test sont divulgués, le modèle peut mémoriser les réponses dans le corpus de formation, les mots d'invite ou les règles artificielles.La liste doit utiliser en parallèle un ensemble de développement public et un ensemble caché contrôlé : définitions de tâches publiques, spécifications de champ, procédures de notation et échantillons de développement représentatifs ; conserver un ensemble de tests privés autorisés, limiter la fréquence de soumission et conserver les journaux d'appels API/conteneur, les résumés d'entrée et de sortie, les versions de modèle et les hachages de données.L'équipe modèle doit déclarer si elle doit utiliser les données de test pour la formation, le réglage ou la révision manuelle. L'adaptation des ensembles de tests provoquée par des soumissions répétées doit être contrôlée via de nouveaux lots réservés, des ensembles de dérives temporelles et des questions cachées en rotation.

La segmentation doit être effectuée au moins par le patient ;une fois que suffisamment de données sont disponibles, des tests externes par hôpital, équipement et temps peuvent être ajoutés.Vérifiez les mêmes visites de patients lors des visites, les copies de rapports, les modèles homologues, les fichiers PDF quasi-dupliqués, les textes copiés et les duplications d'images.Plutôt que de « prélever quelques échantillons aléatoires dans davantage de centres », la validation intercentrique conserve l’ensemble de l’établissement en tant que domaine indépendant et rend compte de la composition des échantillons, des intervalles des indicateurs et des modes de défaillance pour chaque centre.Les tâches multimodales doivent garantir que les clés correspondantes des images, des rapports, des tests et des résultats des cas sont fiables sans fuite d'identification du patient.

5.2 L'évaluation doit se concentrer sur les conséquences de l'utilisation clinique plutôt que sur les performances du modèle La réponse au cas

vérifie uniquement les capacités hors ligne ; la valeur du déploiement dépend également de la capacité du modèle à réduire les entrées répétées, à améliorer l'exhaustivité des données, à raccourcir le temps d'examen par les experts et à ne pas augmenter les références erronées, les rapports manqués ou la charge de travail.Avant d'entrer dans le flux de travail réel, il convient de préciser, grâce à un fonctionnement silencieux, des pilotes manuels dans la boucle, des évaluations prospectives de l'utilisabilité et les recherches cliniques nécessaires, si les médecins peuvent voir le résultat du modèle, quand il peut être écrasé, comment les exceptions sont transmises et qui examine les erreurs.La classification des risques doit couvrir les recommandations de tri auxiliaire à faible risque et de triage/diagnostic à haut risque, et les scores hors ligne de petits échantillons ne peuvent pas être utilisés pour remplacer les preuves réglementaires, éthiques ou cliniques.

Des recherches récentes montrent que les performances et la transférabilité de l’IA en imagerie médicale sont étroitement liées à la taille de la cohorte, aux normes de référence, aux scénarios d’imagerie et aux données externes.DeepDKD a utilisé une cohorte de développement à grande échelle et a été validé sur 10 ensembles de données multiethniques dans l'étude sur la néphropathie diabétique par inférence d'image rétinienne, fournissant un exemple méthodologique de « passage de la performance monocentrique à la validation externe » plutôt que des conclusions modèles qui peuvent être directement transplantées dans ces 12 cas.[5]. Une revue systématique de l'IA dans le pied diabétique a également révélé que la sous-déclaration de paramètres tels que l'étalonnage compromet l'interprétation des risques individuels et la fiabilité de la prise de décision.[6]. Par conséquent, les points d'innovation de ce projet devraient résider dans la conception de l'évaluation, le consensus des experts, la chaîne de preuves et les capacités de vérification inter-domaines, et ne devraient pas être présentés comme un produit clinique vérifié.

6. Du projet pilote de processus de 12 cas à la plateforme d'évaluation multicentrique

1. Étape 0｜Accès et inventaire Confirmer l'autorisation du fournisseur de données, le cheminement éthique, l'utilisation des données, la période de conservation, la méthode de déduplication au niveau du patient et la plage de disponibilité des images/documents ; fiche de données du formulaire, rapport manquant, dictionnaire de terrain, généalogie du fichier et liste des risques liés à la vie privée.Les cas ne sont pas téléchargés vers les services de modèles externes tant qu'ils ne sont pas terminés.
2. Phase 1 à 12 Projet pilote de méthodologie de cas 1 à 2 tâches jugées et révisables sélectionnées par des experts cliniques pour chaque maladie ; annotation et arbitrage à deux ; atelier d'annotation de vérification, citation de preuves, script de notation, processus de test aveugle et étiquette de gravité des erreurs.Seuls les rapports de processus sont fournis, aucun classement ou estimation de performance n'est publié.
3. Étape 2｜Population cible et conception de la taille de l'échantillon Négocier avec plusieurs hôpitaux des cohortes prospectives ou rétrospectives afin de clarifier les critères d'inclusion, le spectre des maladies, l'équipement, la fenêtre temporelle, le suivi des résultats et l'autorisation des données.L'équipe statistique calculera la taille de l'échantillon en fonction de l'intervalle de précision/confiance du critère d'évaluation principal et des exigences du sous-groupe ; « rassembler un lot de fichiers » ne sera pas utilisé comme norme pour la construction de bases de données.Effectuer le mappage des variables intercentriques, la normalisation des unités et l'alignement de la terminologie.
4. Étape 3 | Liste officielle et vérification cachée publie la version du protocole, les règles de soumission des modèles, les indicateurs de pré-inscription, l'heure de mise à jour de la liste, les conflits d'intérêts et le mécanisme d'appel ; configure des ensembles de développement publics et des ensembles cachés contrôlés, rend compte des résultats des sous-centres et des sous-tâches, de l'étalonnage, de l'incertitude, des événements de sécurité et des groupes applicables.Il est interdit de remplacer des modalités d'image non évaluées par des scores de tâches textuelles.
5. Phase 4｜Efficacité clinique et surveillance continue Évaluer le temps, la qualité, la sécurité et les facteurs humains dans les flux de travail réels ; surveiller la dérive des équipements/populations, les changements de qualité d’entrée et les escalades d’erreurs après la mise en service.Chaque fois que des données, des directives, des interfaces de modèle ou des scripts de notation sont modifiés, une nouvelle version est générée, les enregistrements d'annulation et les listes historiques sont conservés et les anciens résultats ne sont pas écrasés en silence.

Il est recommandé que la description des données suive l'idée d'une carte de données réutilisable et indique l'heure de collecte, la catégorie de l'établissement source, le calibre de comptage des patients et des cas, les conditions d'inclusion, la définition de chaque étiquette de tâche, les normes de référence, les rôles des experts, les lacunes et biais, les autorisations et méthodes d'accès, les scénarios interdits, les différences de version et les limitations connues.Pour les données cliniques interinstitutionnelles, les normes internationales communes telles que OMOP CDM, LOINC, SNOMED CT et ICD peuvent être utilisées comme références de cartographie, mais les codes originaux, les versions des tableaux de cartographie et les éléments non cartographiables doivent être enregistrés, et la sémantique clinique originale ne peut pas être perdue dans un souci de « standardisation ».

7. Proposition de construction et boucle fermée commerciale de LumeSage

Pour les hôpitaux, l'ensemble de cas spécifiques à une maladie n'est pas une liste d'IA toute faite, mais la matière première pour démarrer des projets de production et d'évaluation de données.Pour l’équipe d’IA médicale, pouvoir répondre « À quel groupe de personnes, quelle tâche, à quel ensemble d’étiquettes, à quelle version correspond ce résultat, et à quelle erreur correspond ce résultat ? peut mieux soutenir les décisions de R&D qu’un score total séparé des limites de l’application. La proposition différenciée de LumeSage peut être construite sur trois axes de prestation vérifiables : premièrement, les experts définissent les tâches et les normes de référence cliniques ;Deuxièmement, l'équipe d'ingénierie regroupe les documents non structurés, les tests structurés, le temps et les sources en données traçables ;Troisièmement, l'équipe d'évaluation forme une boucle fermée d'itérations continues via des tests aveugles, une stratification de la gravité, une vérification externe et une gestion des versions.

La valeur de cette chaîne commerciale va au-delà des modèles de formation : les hôpitaux peuvent utiliser des labels et des règles de qualité unifiés pour mener à bien la recherche scientifique, la gouvernance des données et la coopération multicentrique ;les entreprises modèles peuvent découvrir l'analyse des documents, les erreurs d'unité, la dégradation des performances des sous-groupes et les sous-déclarations dangereuses avant de se connecter ; les équipes de recherche peuvent obtenir des protocoles expérimentaux qui peuvent être révisés ;les patients bénéficient d’une chaîne de preuves plus claire, d’une expression plus appropriée des incertitudes et d’une collaboration homme-machine plus sûre. Toutes les valeurs doivent être vérifiées à l'aide d'indicateurs spécifiques au projet et ne peuvent être déduites uniquement sur la base de la quantité de données ou du classement dans la liste.

Par conséquent, il est recommandé que ce projet soit lancé en tant que « pilote de recherche DiaComp-Bench » : créez d'abord une carte de données et quatre catalogues de tâches de maladie, en limitant 12 cas uniquement pour le processus d'annotation expert et la vérification de l'outil d'évaluation ; constituer une cohorte multicentrique après avoir terminé l’examen de conformité ; les experts cliniques, les statisticiens, les ingénieurs en algorithmes et le personnel chargé de la sécurité des patients gèlent conjointement les normes de référence, les indicateurs et les ensembles cachés ; après vérification externe et évaluation réelle du flux de travail, décidez s'il convient de divulguer les classements et leurs limites applicables. Cela respecte non seulement les preuves actuelles de l’attachement, mais laisse également une voie claire pour la formation ultérieure d’un système d’évaluation de l’IA de haute qualité, reproductible et cliniquement précieux pour les complications du diabète.

Références

1. [1] Comité de pratique professionnelle de l’American Diabetes Association. 11. Maladie rénale chronique et gestion des risques : normes de soins pour le diabète — 2026. Soins du diabète Diabetes Care. 2026 ; 49 (Supplément 1) : S246-S260. DOÏ  10.2337/dc26-S011.
2. [2] Tang Z, Wang L, Guo Z et al. Un ensemble de données d'images rétiniennes multimodales pour la détection de la rétinopathie diabétique à l'aide de modèles de base. Données scientifiques Scientific Data. 2026;13:639. DOÏ  10.1038/s41597-026-07005-9.
3. [3] Les modèles multimodaux de langage large peuvent-ils diagnostiquer la rétinopathie diabétique à partir de photos du fond d'œil ? Une évaluation quantitative. Science de l'ophtalmologie Ophthalmology Science. 2026;6(1):100911. DOÏ  10.1016/j.xops.2025.100911.
4. [4] Collins GS, Moons KGM, Dhiman P et al. Déclaration TRIPOD+AI : conseils mis à jour pour la création de rapports sur les modèles de prédiction clinique qui utilisent des méthodes de régression ou d'apprentissage automatique. BMJ. 2024;385 :e078378. DOÏ  10.1136/bmj-2023-078378.
5. [5] Meng et al. Diagnostic par biopsie non invasive de la maladie rénale diabétique via l'apprentissage profond appliqué aux images rétiniennes : une étude basée sur la population. The Lancet Santé numérique. 2025. DOÏ  10.1016/j.landig.2025.02.008.
6. [6] Modèles de classification de l'ulcère du pied diabétique utilisant l'intelligence artificielle et les techniques d'apprentissage automatique : examen systématique. Journal de recherche sur Internet médical. 2025;27 :e69408. DOÏ : Description de la méthodologie 10.2196/69408.
7. [7] Comité de pratique professionnelle de l’American Diabetes Association. 12. Rétinopathie, neuropathie et soins des pieds : normes de soins pour le diabète — 2026. Diabetes Care. 2026 ; 49 (Supplément 1) : S261–S276. DOÏ  10.2337/dc26-S012.

 La description des pièces jointes dans cet article se limite à un inventaire structurel au niveau du fichier ; le contenu du dossier médical du patient n’est ni affiché ni reproduit. Le dépistage de désensibilisation automatisé ne constitue pas une certification de conformité en matière de confidentialité, et les données ci-jointes ne constituent pas non plus un ensemble de formation public ou un classement de modèles cliniquement validés. Les définitions cliniques et l'utilisation doivent être jugées par un professionnel de la santé qualifié en conjonction avec les directives applicables, les antécédents médicaux complets et les réglementations locales.