Récemment, l’équipe du professeur Lin Haotian du Centre ophtalmologique Sun Yat-sen de l’Université Sun Yat-sen a exploré une nouvelle approche de recherche fondée sur les grands modèles linguistiques (LLMs) comme outil central d’assistance, démontrant leur efficacité grâce à une étude contrôlée aléatoire. Ces résultats ont été publiés dans la revue Cell Reports Medicine. À l’ère où l’intelligence artificielle (IA) s’intègre de plus en plus profondément dans la recherche médicale, les cliniciens sont souvent confrontés à des barrières techniques élevées et à un manque de compétences transdisciplinaires pour innover dans le domaine de l’IA médicale. Pour surmonter ces obstacles, l’équipe a mené une évaluation systématique rigoureuse de la capacité des LLMs à aider les médecins sans expérience en IA à mener eux-mêmes des recherches en IA médicale. Les résultats montrent que les LLMs permettent effectivement à des médecins non spécialisés en IA de concevoir et de réaliser des projets de recherche en IA de manière autonome. Ils améliorent significativement la faisabilité des protocoles de recherche et réduisent considérablement le temps nécessaire à leur mise en œuvre. Par ailleurs, l’étude a mis en évidence un effet positif de « transfert de compétences », où les médecins développent progressivement des compétences analytiques et méthodologiques grâce à leur interaction avec les modèles. Toutefois, elle a également souligné un risque potentiel de dépendance excessive aux outils d’IA, notamment en ce qui concerne la qualité critique des résultats générés ou la compréhension fondamentale des processus sous-jacents. À la lumière de ces observations, l’équipe a formulé une recommandation pratique : le cadre méthodologique « CPGI » (Contextual Prompt Guidance for Intelligence), une stratégie structurée pour concevoir des instructions (prompt) efficaces et sûres. Ce guide offre aux cliniciens un cadre logique et organisé pour tirer parti des LLMs tout en minimisant les erreurs et en préservant l’intégrité scientifique de leurs travaux. En résumé, cette étude établit un modèle prometteur d’assistance intelligente en recherche médicale, offrant une voie concrète pour que les praticiens, même sans formation technique avancée, puissent participer activement à l’innovation en IA médicale.