AgentSLR : Révolutionner les revues systématiques de littérature en épidémiologie avec l'IA

Les revues systématiques de littérature sont essentielles pour consolider les connaissances scientifiques, mais elles posent souvent des défis tels que des coûts élevés, des problèmes d'échelle et des délais prolongés. Ces facteurs peuvent entraver le développement de politiques basées sur des preuves. Notre recherche explore le potentiel des grands modèles linguistiques pour automatiser complètement le processus de revue systématique, y compris la récupération d'articles, leur sélection, l'extraction de données et la synthèse de rapports. En nous concentrant sur les revues liées à neuf agents pathogènes prioritaires identifiés par l'OMS, nous avons validé notre outil open-source, AgentSLR, par rapport à des références élaborées par des experts. Les résultats montrent qu'AgentSLR peut égaler la performance des chercheurs humains tout en réduisant considérablement le temps nécessaire pour les revues, passant d'environ sept semaines à seulement 20 heures, réalisant ainsi une augmentation de vitesse remarquable de 58 fois. Nous avons également analysé cinq modèles de pointe et constaté que l'efficacité des revues systématiques de littérature est davantage influencée par les capacités uniques de chaque modèle que par leur taille ou leurs coûts opérationnels. Grâce à une approche impliquant l'humain, nous avons identifié des domaines critiques où des erreurs se produisent. Notre étude met en lumière le potentiel de l'IA agentique pour améliorer considérablement l'efficacité de la synthèse des preuves scientifiques dans des domaines spécialisés.