Équité en santé et acceptation publique des grands modèles de langage dans les soins de santé en Chine : une enquête nationale en population générale.
Health equity and public acceptance of large language models in healthcare in China: A national population-based survey.
L’essentiel
Cette étude transversale nationale, menée en Chine auprès de 35 861 adultes, évalue l'acceptation publique des grands modèles de langage (LLM) dans les soins de santé. L'acceptation moyenne pondérée est de 64,3/100, mais elle est plus faible chez les personnes âgées, celles ayant des maladies chroniques, et celles ayant moins de ressources sociales et numériques. Des facteurs comme la littératie en santé numérique, l'auto-efficacité et le soutien social sont associés à une meilleure acceptation, tandis que des symptômes sévères de TDAH, l'isolement social et des difficultés financières sont associés à une moindre acceptation. Les résultats suggèrent un risque d'inégalités dans l'adoption des LLM en santé, appelant à des stratégies de mise en œuvre équitables.
- L'acceptation moyenne des LLM en santé en Chine est modérée (64,3/100) mais inégale selon les groupes sociaux.
- Les personnes âgées, celles avec maladies chroniques et celles ayant moins de ressources numériques et sociales montrent une acceptation plus faible.
- Une littératie en santé numérique élevée, une auto-efficacité et un soutien social sont associés à une meilleure acceptation.
Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Comprendre l’analyse ↓Analyse du résumé uniquement. Confiance faible dans les informations extraites.
Voir les sources ↓Synthèse détaillée
Synthèse
Cette étude transversale nationale, menée en Chine auprès de 35 861 adultes, évalue l'acceptation publique des grands modèles de langage (LLM) dans les soins de santé. L'acceptation moyenne pondérée est de 64,3/100, mais elle est plus faible chez les personnes âgées, celles ayant des maladies chroniques, et celles ayant moins de ressources sociales et numériques. Des facteurs comme la littératie en santé numérique, l'auto-efficacité et le soutien social sont associés à une meilleure acceptation, tandis que des symptômes sévères de TDAH, l'isolement social et des difficultés financières sont associés à une moindre acceptation. Les résultats suggèrent un risque d'inégalités dans l'adoption des LLM en santé, appelant à des stratégies de mise en œuvre équitables.
Résultats principaux
L'acceptation moyenne des LLM en santé en Chine est modérée (64,3/100) mais inégale selon les groupes sociaux. Les personnes âgées, celles avec maladies chroniques et celles ayant moins de ressources numériques et sociales montrent une acceptation plus faible. Une littératie en santé numérique élevée, une auto-efficacité et un soutien social sont associés à une meilleure acceptation. Des symptômes sévères de TDAH, l'isolement social et des difficultés financières sont associés à une moindre acceptation. L'absence d'utilisation antérieure de santé numérique définit le plus grand groupe de non-accepteurs (62 % de l'échantillon).
Repères pour la pratique
Les cliniciens devraient considérer les facteurs sociaux et numériques lors de l'introduction des LLM en santé pour éviter d'accroître les inégalités. Des interventions ciblées pourraient améliorer l'acceptation chez les personnes âgées, celles avec maladies chroniques et celles avec faible littératie numérique. Les professionnels de santé devraient évaluer la préparation numérique et le soutien social des patients avant de recommander des outils basés sur les LLM.
Limites et précautions
L'article aborde un sujet émergent (LLM en santé) mais n'est pas directement pertinent pour la veille neurodéveloppementale. Le TDAH est mentionné comme corrélat, mais l'objet principal est l'équité en santé et l'acceptation technologique. Intérêt faible pour NeuroWatch. Étude transversale ne permettant pas d'établir de causalité. Mesures auto-rapportées pour l'acceptation et les corrélats. Échantillon limité à la Chine, limitant la généralisation à d'autres contextes. Discrimination modeste de l'arbre de classification (AUC 0,62), avec une faible sensibilité.
Analyse méthodologique
Non déterminable — Le texte intégral n’était pas accessible ; aucune faiblesse méthodologique ne peut être déduite de cette absence.
Le texte intégral ouvert n’était pas accessible. Cela rend la robustesse non déterminable : l’absence d’information n’est pas interprétée comme une faiblesse de l’étude.
Une anomalie documentaire ou méthodologique a été détectée. L’article reste disponible et doit être interprété avec prudence.
Examiner les critères point par point
L'étude, publiée dans une revue à comité de lecture, a utilisé un échantillon représentatif de 35 861 adultes chinois issus d'une enquête stratifiée multi-étapes dans 150 villes. L'acceptation des LLM en santé a été mesurée sur une échelle de 0 à 100 après une description standardisée. Les auteurs rapportent une acceptation moyenne pondérée de 64,3 (IC 95 % : 63,9-64,6). Des corrélats d'acceptation plus élevée incluent un statut social perçu plus élevé, une utilisation antérieure de la santé numérique, l'auto-efficacité, des relations familiales et de voisinage plus fortes, et une littératie en santé numérique plus élevée (β standardisés de 0,06 à 0,19). À l'inverse, une acceptation plus faible est associée à un âge plus avancé, des expositions sociales et développementales défavorables, des symptômes sévères de TDAH, la solitude sociale et des difficultés financières (β standardisés de -0,04 à -0,09). L'analyse par arbre de classification et de régression (CART) a identifié que l'absence d'utilisation antérieure de la santé numérique définissait le plus grand groupe de non-accepteurs (62 % de l'échantillon), avec une discrimination modeste (AUC pondérée 0,62, IC 95 % : 0,61-0,64), une spécificité élevée (0,94) et une sensibilité faible (0,19). Les auteurs concluent que l'adoption des LLM en santé est socialement différenciée, ce qui nécessite des stratégies de mise en œuvre équitables pour éviter un bénéfice préférentiel pour les groupes avantagés. L'analyse NeuroWatch note que l'étude contrôle les facteurs de confusion par régression pondérée, utilise une mesure validée, un échantillon représentatif et des analyses statistiques appropriées. Cependant, l'analyse automatisée est basée uniquement sur le résumé ; les informations sur les données manquantes, le financement et les conflits d'intérêts ne sont pas rapportées dans la source analysée. La robustesse calculée est indéterminée en raison de l'absence du texte intégral.
confounding controlFavorable
L'étude utilise une régression pondérée par l'enquête pour identifier les corrélats de l'acceptation, ce qui permet de contrôler statistiquement les facteurs de confusion potentiels.
Un élément méthodologique adéquat est explicitement documenté.measure validityFavorable
L'acceptation des LLM en santé a été mesurée à l'aide d'une échelle de 0 à 100 après une description standardisée des capacités des LLM, ce qui assure une certaine validité de contenu.
Un élément méthodologique adéquat est explicitement documenté.population selectionFavorable
L'échantillon est représentatif de la population adulte chinoise, issu d'une enquête stratifiée multi-étapes dans 150 villes, ce qui renforce la généralisabilité.
Un élément méthodologique adéquat est explicitement documenté.statistical analysisFavorable
Des analyses statistiques appropriées ont été utilisées, incluant une régression pondérée et une analyse par arbre de classification et de régression (CART), avec des mesures de performance (AUC, spécificité, sensibilité).
Un élément méthodologique adéquat est explicitement documenté.Cette analyse est produite automatiquement par une IA à partir des sources indiquées, puis l’appréciation est calculée avec des règles versionnées (scientific_analysis_v2). Elle ne constitue ni une validation par un professionnel ni une recommandation clinique. Consulter la méthodologie.
Classification détaillée
Informations sur l’article
- Publication
- Étude transversale
- Source
- PubMed / PMC — neurodeveloppement open access
- Date
- 30 juil. 2026
- Langue
- Anglais
- Accès
- Accès ouvert
- Licence
- Non déterminée