Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
Physicians, residents and students spent about two hours reviewing each electronic health record (EHR) in a Thomas Jefferson University study. A large language model (LLM)—an artificial-intelligence system used here to read medical text—handled the same extraction task in 20 to 42 seconds; the comparison covered 411 breast and lung cancer patients.
Des médecins, des internes et des étudiants ont consacré environ deux heures à l’examen de chaque dossier médical électronique (DME) dans le cadre d’une étude de l’Université Thomas Jefferson. Un grand modèle de langage (LLM) — un système d’intelligence artificielle utilisé ici pour lire des textes médicaux — réalisait la même tâche d’extraction en 20 à 42 secondes ; la comparaison portait sur 411 patients atteints d’un cancer du sein ou du poumon.
The target was cardiotoxicity, heart-related damage caused by cancer treatment. Breast and lung cancer patients face increased risk because the heart, lungs and breasts are close together. The damage can raise the risk of heart attacks, heart failure and other cardiac conditions, but finding evidence in patient records can require reading through hundreds of files.
La cible était la cardiotoxicité, c’est-à-dire les lésions cardiaques causées par un traitement contre le cancer. Les patients atteints d’un cancer du sein ou du poumon présentent un risque accru, car le cœur, les poumons et les seins sont proches les uns des autres. Ces lésions peuvent augmenter le risque d’infarctus, d’insuffisance cardiaque et d’autres affections cardiaques, mais trouver des éléments probants dans les dossiers des patients peut nécessiter la lecture de centaines de fichiers.
The framework did more than search for a word. Its prompts looked for relevant keywords while checking for false positives, so a note saying a patient denied a disease—or that a heart attack was “ruled out”—was not counted as a cardiac event. That distinction matters in medical records, where negative findings can be phrased in many ways.
Le cadre ne se contentait pas de rechercher un mot. Ses invites repéraient les mots-clés pertinents tout en vérifiant l’absence de faux positifs : une note indiquant qu’un patient niait souffrir d’une maladie — ou qu’un infarctus avait été « écarté » — n’était donc pas comptabilisée comme un événement cardiaque. Cette distinction est importante dans les dossiers médicaux, où les résultats négatifs peuvent être formulés de nombreuses manières.
The researchers used open-source LLMs and reported that the framework found cardiac-event data 71% to 85.5% of the time. During initial screening, DeepSeek-R1-70b, Llama-3.3 and Mistral-Large showed the strongest balance of diagnostic accuracy and formatting adherence, so the three models moved into validation cohorts.
Les chercheurs ont utilisé des grands modèles de langage open source et rapporté que le cadre trouvait les données relatives à des événements cardiaques dans 71 % à 85,5 % des cas. Lors du dépistage initial, DeepSeek-R1-70b, Llama-3.3 et Mistral-Large ont présenté le meilleur équilibre entre précision diagnostique et respect du format ; les trois modèles sont donc passés aux cohortes de validation.
Concretely, for oncology research teams, the system could turn a slow first pass through patient records into a much faster way to assemble cardiotoxicity data. For patients, the hoped-for next step is to identify those more likely to develop heart complications and use that information to shape radiation treatment, potentially reducing side effects. The paper presents that as a goal, not a current clinical service: further refinement is still needed, and the reported work does not show improved patient outcomes.
Concrètement, pour les équipes de recherche en oncologie, le système pourrait transformer le premier examen, lent, des dossiers de patients en une méthode bien plus rapide pour constituer des données sur la cardiotoxicité. Pour les patients, l’étape espérée consiste à identifier ceux qui sont les plus susceptibles de développer des complications cardiaques et à utiliser ces informations pour orienter la radiothérapie, afin de réduire potentiellement les effets secondaires. L’article présente cet objectif comme une perspective, et non comme un service clinique disponible : des améliorations restent nécessaires et les travaux rapportés ne montrent pas d’amélioration des résultats pour les patients.