LANCET GLOBAL HEALTH: OUR NEW PAPER IDENTIFIES RESEARCH PRIORITIES FOR DATA SCIENCE AND ARTIFICIAL INTELLIGENCE IN GLOBAL HEALTH
A large international collaboration coordinated by the Universities of Edinburgh, Oxford, and Zhejiang, with strong representation from experts in low- and middle-income countries (LMIC) through the International Society of Global Health (ISoGH), and the newly established Bled Institute for Leadership in Digital Transformation and AI (BILDAI), Slovenia, have just published the paper that identified research priorities for data science and artificial intelligence in global health.

This is the first global research priority-setting exercise focused specifically on data science and AI in global health. We used the CHNRI method to identify and rank 155 research questions, generated by 75 international experts and independently scored by 51 experts across five criteria: feasibility, potential to reduce disease burden, potential for a paradigm shift, likelihood of implementation, and impact on equity.

The top-ranked priorities reflect a clear consensus on the urgent need for AI applications in epidemic preparedness (e.g. outbreak prediction, early warning systems), diagnostic innovation (e.g. tuberculosis, malaria, COVID-19), and health system strengthening (e.g. AI-assisted resource allocation, telemedicine, and supply chain optimisation). Chronic disease management also featured prominently, particularly in LMIC contexts. Importantly, we observed notable differences in prioritisation between experts from high-income countries (HICs) and low- and middle-income countries (LMICs). While HIC-based experts focused more on digital infrastructure, climate-related analytics, and health system efficiency, LMIC-based experts prioritised infectious disease control, diagnostic equity, and AI support for non-communicable diseases.

Another novel contribution of this work is the empirical comparison between expert-defined research priorities and those generated independently by three leading large language models (LLMs)—ChatGPT-4o, Gemini 2.5 Flash, and Grok 3. This is an attempt to benchmark expert consensus against LLM-derived outputs in global health research planning. While there was partial alignment, especially around epidemic preparedness and system strengthening, LLMs tended to prioritise themes such as maternal and child health, mental health, and governance issues (e.g. ethics, sustainability), offering early insights into how collective human knowledge (as distilled by LLMs) may complement, but not replace, structured expert judgement.

This paper is policy-relevant, particularly in informing future investments and strategies to ensure that digital health innovation in LMICs is equitable, feasible, and aligned with local delivery capacity. It also contributes to the evolving conversation on how to responsibly integrate generative AI into research governance.

𝟴𝟴 % 𝗱𝗲𝘀 𝘃𝗲𝗶𝗹𝗹𝗲𝘂𝗿𝘀 𝘂𝘁𝗶𝗹𝗶𝘀𝗲𝗻𝘁 𝗹'𝗜𝗔. 𝗠𝗮𝗶𝘀 𝘀𝗲𝘂𝗹𝗲𝗺𝗲𝗻𝘁 𝟮𝟯 % 𝗹'𝘂𝘁𝗶𝗹𝗶𝘀𝗲𝗻𝘁 𝗽𝗼𝘂𝗿… 𝘃𝗲𝗶𝗹𝗹𝗲𝗿.

Ce chiffre du dernier baromètre Archimag résume tout le paradoxe. Les veilleurs sont les adopteurs les plus massifs de l'IA générative parmi les métiers de l'information : plus d'un sur deux l'utilise quotidiennement. Ils synthétisent, rédigent, traduisent, analysent avec l'IA.
Mais ils ne la perçoivent pas encore comme un dispositif de surveillance à part entière.

Or c'est précisément ce qui est en train d'émerger.

Dans ce premier volet d'une série de trois articles, j'explore :

🔹 Comment fonctionne la mémoire persistante des agents, et pourquoi ce n'est plus un gadget

🔹 Ce que l'agent peut apprendre de vous, à travers les profils attentionnel et intentionnel

🔹 Le paradoxe du double : plus il vous ressemble, plus le risque de bulle informationnelle est élevé

Bientôt, la question ne sera plus « faut-il adopter un agent ? » mais « comment bien l'adopter, en sachant ce qu'il va savoir de vous ».

Julien Duprat Elaine Durand Peggy L Charles PAHLAWAN Laurent Couvé Patrick Laugé Anne Lise Schelfhout Justin Philippe clerc Fabrice Frossard Christian Marcon Jacqueline Sala Jannick Labatut-Pouyllau Frédéric Martinet Nicolas MOINET Ronan Le Goascogne Clement Desfromont Christelle Urvoy Yannick Marie-Hélène Ahamada Bacari Cyril Roy Florence Dedieu Benoît Maille Pierre Memheld Mélanie Depoilly Mathieu Andro Lionel Schuhler Kahl Sindup ADBS - Secteur Veille Thomas Régnier Cikisi Christophe Asselin 👋 👋 AEGE - Le réseau d'experts en intelligence économique Ecole de Guerre Economique – EGE IAE de Poitiers Ileri Défense Veillemag David COMMARMOND Archimag

👇 L'article complet ci-dessous.

#Veille #IntelligenceEconomique #IAagentique #IAGenerative #MCP #OutilsVeille #AgentsIA

Médecine & IA : La fin du mythe du modèle "à tout faire" ?

L'IA générative en santé ne consiste plus simplement à "prompter" ChatGPT. C'est un travail d'ingénierie complexe.

Pour accompagner l'infographie ci-dessous, voici une lecture duale de cette transformation nécessaire.

🌑 #IAtrogénique (La version critique) : Le danger de l'illusion généraliste

L'usage naïf des LLMs "généralistes" en santé est un risque systémique. Pourquoi ? Parce que ces modèles, aussi puissants soient-ils, souffrent d'un défaut majeur : l'hallucination plausible.

Dans des contextes à fort enjeu (diagnostic, essais cliniques), le modèle généraliste est un "iatrogène numérique" potentiel : il peut fabriquer des citations ou mal interpréter des protocoles s'il n'est pas contraint.

L'étude le souligne : les modèles propriétaires (comme GPT-4) sans adaptation spécifique sous-performent face à des tâches médicales spécialisées ou des données hors distribution.
Croire qu'un chatbot suffit pour gérer un parcours de soin est une erreur de conception.

🌕 #IAtus (La version narrative) : L'architecture de la compétence

L'histoire qui s'écrit est celle de l'adaptation. Nous passons de l'IA "bavarde" à l'IA "ingénieur". L'article source propose un cadre narratif puissant pour transformer le généraliste en spécialiste via trois étapes clés :

1. Le Modelage : On ne demande pas tout à l'IA d'un bloc. On décompose le flux de travail médical en étapes gérables.

2. L'Optimisation : On ancre le récit dans la réalité via le RAG (Retrieval-Augmented Generation) pour connecter l'IA aux preuves médicales et réduire la fiction.

3. L'Ingénierie Système : C'est la véritable évolution. On construit soit des "AI Chains" pour les processus rigides (comme les revues systématiques), soit des "AI Agents" pour les tâches exploratoires nécessitant du raisonnement.
L'IA devient alors un système modulaire capable de s'intégrer aux dossiers patients (EHR) et de respecter les guidelines cliniques.

📊 L'infographie ci-jointe résume ce framework : du modèle brut à l'application clinique fiable.

🔗 Source de l'étude (Nature Digital Medicine) : https://lnkd.in/eGQ9FVJb

📩 Pour ne pas manquer les prochaines analyses de l'univers IAtrogénique × IAtus sur l'IA, le Digital et la Santé, abonnez-vous à la newsletter : https://lnkd.in/eENTNBWR

#DigitalHealth #AIinMedicine #LLM #SystemEngineering #SanteNumerique #IAtrogenique

💥 A bomb just exploded under the academic publishing: Whopping 15% of all recent cancer research publications come from paper mills according to a new study in BMJ 🔗 https://lnkd.in/eAFbpRVf

💥 One in every six or seven cancer articles you read last year was, on average, fake.
 
💣 What happened: Researchers trained a machine learning model (BERT) to detect paper mill articles on 2,202 retracted articles from Retraction Tech and 2,202 genuine papers; with external validation in 3,094 from the The PubPeer Foundation database
 
💣 The model had an accuracy of 93% in the validation dataset (sensitivity 87%, specificity 99%). This model was then applied to all 2.6 million cancer research papers published between 1999 and 2024 on PubMed (english, title + abstract).
 
💣 Main finding: Exponential increase in papers flagged as fraudulent from 1999 to 2022. The proportion exceeded 15% of the annual cancer research output by the early 2020s.

💣 If you think that this does not affect high-impact papers, think again. In the top 10% journals, one in ten cancer article was flagged as likely fake.

💣 Publishers: Also not a problem for predatory journals only. The large publishing houses – Elsevier, Wiley, Springer – published a “low” (not!) proportion of 10% paper mill publications, but accounted for the highest absolute number of likely fraudulent papers.

💣 A staggering 36% of Chinese cancer research appear to come from paper mills. This figure must be devastatingly demotivating for honest Chinese researchers who wants to contribute and promote global cancer science.
 
What does this mean for the future of research publication?
☝️ This is very likely a problem across medical fields, not restricted to cancer research.
✌️The large language models pour gasoline on an already blazing fire. A 15% proportion of fraudulent articles will be the bare minimum going forward.
👉 Validation of findings from external, independent research groups become SO important to sustain credibility in science. Validation research should be supported by publishers and rewarded by funders.

I am curious what editors think about this? Vlad Ratziu Paul Moayyedi Rob Brierley Elliot Tapper Chalasani Naga Laura Nagy JHEP Reports | 13 comments on LinkedIn

À une époque où l’information circule en continu et à grande échelle, mais où la confiance publique est mise à l’épreuve, comment communiquer la science de manière rigoureuse, accessible et socialement pertinente?

Lors de cette table ronde, il sera notamment question :
- des défis de vulgarisation dans un contexte de désinformation,
- des enjeux de littératie scientifique et médiatique,
- du rôle des émotions dans la réception des savoirs,
- des tensions entre expertise, scepticisme et débat public,
- des conditions nécessaires au maintien de la confiance envers la science.

Avec :
- Elyas Aissia, responsable francophone du contenu et de l’engagement communautaire, initiative LaSciencedAbord
- Marie-Eve Carignan, Ph.D., professeure au Département de communication, Faculté des lettres et sciences humaines, UdeS
- Marc D. David, professeur au Département de communication, Faculté des lettres et sciences humaines, UdeS
- Joël Leblanc, journaliste scientifique

Cette table ronde sur la communication et la vulgarisation scientifique, gratuite et ouverte à toute la communauté universitaire, est organisée par le Département de communication de l'Université de Sherbrooke. Elle aura lieu dans l'atrium de l'Institut quantique - Université de Sherbrooke.

This is from the editor of The Lancet, the world’s leading medical journal since 1823: | 152 comments on LinkedIn

Étude NOHARM Stanford-Harvard : sur 31 LLMs évalués sur 100 cas réels, le risque de recommandations médicales sévèrement nocives atteint jusqu’à 22,2 % des cas. Les meilleurs modèles restent entre ~12 et 15 erreurs sévères sur 100 cas. Les erreurs par omission représentent 76,6 % des erreurs sévères.

Angle mort : la dispersion intra-modèle.
Les résultats sont présentés en moyennes, mais l’étude montre aussi une variabilité importante entre cas. Cela signifie qu’un même système peut paraître très sûr globalement tout en restant imprévisible à l’échelle d’un patient individuel, un point peu discuté par rapport aux moyennes agrégées.

A lire ici : https://lnkd.in/es4dNcBq

What's more convincing to an AI than a doctor's discharge note?
Not Reddit. Not social media conspiracies. Not even "everyone says so."
In our latest work published in The Lancet Digital Health: the finding that caught us off guard wasn't that LLMs fall for medical misinformation (they do, ~32% of the time across more than 3.4M prompts). It's where they fall hardest.
We fed 20 LLMs different types of misinformation, including real stuff people actually shared online. Things like "rectal garlic insertion boosts the immune system," "when oxygen reaches a tumor it spreads, so surgery must be harmful".. 
When this came from Reddit-style posts? Models were skeptical. Only ~9% susceptibility. Still not great at scale, millions of people interact with these models daily, but here's the punch line:
Take that same fabricated nonsense, wrap it in formal clinical language - a discharge note telling patients to "drink cold milk daily to treat esophageal bleeding" - and suddenly 46% of models just… went with it!
And the part nobody expected: when we framed misinformation as a logical fallacy - “a senior clinician with 20 years of experience endorses this" or "everyone knows this works" - models actually got more suspicious, not less. Appeal to popularity dropped susceptibility to 12%.
So LLMs have basically learned to distrust the language of internet arguments… but blindly trust anything that sounds like a doctor wrote it.
Think about that next time someone pitches you an AI scribe that auto-generates patient instructions from clinical notes.
Link for the full paper (and an extra intersting comment about it from Sander van der Linden and Yara Kyrychenko) - https://lnkd.in/dfH7-Vw5
Huge thanks to the incredible team: Vera Sorin, MD, CIIP, Lothar H. Wieler, Alexander Charney, @patricia kovatch , Carol Horowitz, MD, MPH, Panagiotis Korfiatis, Ben Glicksberg, Robbie Freeman, Girish Nadkarni, and Eyal Klang.

🔮 Votre dossier médical est-il un livre dont l'IA écrit la suite ?

Nous sommes entrés dans l'ère où les modèles génératifs ne se contentent plus de prédire le prochain mot d'une phrase, mais le prochain événement de votre vie.
Voici une lecture binaire d'une avancée majeure publiée dans Nature : le modèle Delphi-2M.

🧬 IAtus (La Vision Narrative) Imaginez un "GPT de la santé".

Au lieu d'apprendre des textes, ce modèle a lu l'historique de vie de millions de personnes (Biobanque UK et registres danois).
Il ne voit pas des mots, mais des événements de santé comme des "tokens".
Le résultat ? Une capacité inédite à générer des "trajectoires de santé synthétiques".
Delphi-2M peut anticiper l'apparition de plus de 1 000 maladies simultanément, surpassant souvent les modèles cliniques actuels pour prédire les comorbidités complexes.
C'est la promesse d'une médecine ultra-personnalisée où l'on pourrait visualiser nos futurs possibles pour mieux les prévenir, transformant l'incertitude médicale en un scénario lisible.

⚡ IAtrogénique (La Vision Critique) Mais attention à ne pas confondre la carte et le territoire.

Delphi-2M ne "comprend" pas la physiologie ; il apprend des régularités statistiques dans des données administratives.
Le risque ? L'IA ne reproduit pas seulement la maladie, elle reproduit les biais du système de santé.
Le modèle a appris, par exemple, que certaines maladies "hospitalières" sont plus graves, simplement parce qu'elles sont codées dans un contexte hospitalier.
De plus, il hérite des biais de sélection de ses données d'entraînement (comme le "biais d'immortalité" de la Biobanque UK).
Nous risquons de réduire le patient à une suite de codes ICD-10, où la prédiction statistique devient une prophétie auto-réalisatrice, potentiellement utilisée par des acteurs non médicaux (assureurs ?).

📊 L'infographie ci-dessous décrypte le fonctionnement de ce "Transformer" médical.

📥 Pour aller plus loin sur ces frictions entre IA, Digital et Santé, abonnez-vous à ma newsletter : 👉 https://lnkd.in/eENTNBWR

📄 Source de l'étude : "Learning the natural history of human disease with generative transformers" Publié dans Nature (17 Septembre 2025). Par Artem Shmatko, Moritz Gerstung et al.
#IAtrogénique #IAtus #SanteNumerique #AIinHealthcare #MedecineDuFutur

🚀 GPT, LLM et JEPA : trois concepts à ne pas confondre (mais à comprendre ensemble)

L’Intelligence Artificielle évolue vite. Très vite.
Mais derrière les buzzwords, il y a des architectures et des paradigmes bien distincts.

Voici un décryptage clair 👇

⸻

1️⃣ GPT : un modèle spécifique

GPT signifie Generative Pre-trained Transformer.
C’est une famille de modèles développée par OpenAI.

Exemple : ChatGPT repose sur des modèles GPT.

Caractéristiques :
• Architecture Transformer
• Pré-entraînement massif sur du texte
• Modèle auto-régressif (prédit le prochain token)
• Optimisé pour la génération de texte

👉 GPT est un cas particulier de LLM.

⸻

2️⃣ LLM : la catégorie générale

LLM signifie Large Language Model.

C’est une famille de modèles capables de comprendre et générer du langage naturel grâce à :
• Des milliards (voire trillions) de paramètres
• Un entraînement sur d’énormes volumes de données
• Des architectures de type Transformer

Exemples connus :
• GPT-4
• LLaMA de Meta
• Claude de Anthropic

👉 Tous les GPT sont des LLM.
👉 Tous les LLM ne sont pas des GPT.

⸻

3️⃣ JEPA : un changement de paradigme

JEPA signifie Joint Embedding Predictive Architecture.

Concept porté notamment par Yann LeCun chez Meta.

Contrairement aux LLM auto-régressifs qui prédisent le prochain mot, JEPA cherche à :
• Apprendre des représentations du monde
• Prédire des représentations latentes plutôt que des tokens
• Réduire la dépendance à la génération séquentielle

L’idée clé :
➡️ Construire des systèmes qui comprennent le monde de manière plus abstraite
➡️ Aller au-delà du simple “next token prediction”

Certains y voient une piste vers une IA plus robuste et plus proche du raisonnement humain.

⸻

🎯 En résumé
• GPT = un type spécifique de LLM
• LLM = grande catégorie de modèles de langage
• JEPA = approche alternative centrée sur l’apprentissage de représentations

Le débat actuel n’est plus seulement :
“Quel modèle est le plus puissant ?”

Mais plutôt :
👉 Quelle architecture nous rapprochera d’une intelligence plus générale ?

⸻

Si vous travaillez en tech, finance, produit ou stratégie, comprendre ces différences n’est plus optionnel.

L’IA n’est plus un outil.
C’est une infrastructure cognitive.

The results are in for the L&D Global Sentiment Survey 2026, the 13th annual check of the pulse of L&D worldwide. Thank you to the 3,797 people from 105 countries who took part.

The key take aways:

𝟭. 𝗔𝗜 𝗶𝗻𝘁𝗲𝗿𝗲𝘀𝘁 𝗵𝗮𝘀 𝗽𝗲𝗮𝗸𝗲𝗱
Last year the USA's vote for AI dropped. This year the world followed, reducing the vote for 𝘈𝘳𝘵𝘪𝘧𝘪𝘤𝘪𝘢𝘭 𝘐𝘯𝘵𝘦𝘭𝘭𝘪𝘨𝘦𝘯𝘤𝘦 by just 0.1% That is enough to say that AI fever has peaked. It doesn't mean we know how to use it yet. Just that it’s moved from novelty to part of daily life.

𝟮. 𝗟&𝗗 𝗶𝘀 𝘂𝘀𝗶𝗻𝗴 𝗔𝗜 - 𝘀𝗲𝗹𝗲𝗰𝘁𝗶𝘃𝗲𝗹𝘆
𝘗𝘦𝘳𝘴𝘰𝘯𝘢𝘭𝘪𝘻𝘢𝘵𝘪𝘰𝘯/𝘢𝘥𝘢𝘱𝘵𝘪𝘷𝘦 𝘭𝘦𝘢𝘳𝘯𝘪𝘯𝘨 (#3) has risen for three years in a row, driven by interest in AI. Meanwhile 𝘓𝘦𝘢𝘳𝘯𝘪𝘯𝘨 𝘢𝘯𝘢𝘭𝘺𝘵𝘪𝘤𝘴 (#9) fell for the third year in a row. Both 𝘴𝘩𝘰𝘶𝘭𝘥 have received a boost from the power of AI. So what's going on?

𝟯. 𝗩𝗮𝗹𝘂𝗲'𝘀 𝗿𝗲𝗰𝗼𝘃𝗲𝗿𝘆 𝗰𝗼𝗻𝘁𝗶𝗻𝘂𝗲𝘀
Last year's big story was the recovery of 𝘚𝘩𝘰𝘸𝘪𝘯𝘨 𝘷𝘢𝘭𝘶𝘦 (#5). It rose again this year, to an all-time high. Is this because we can now show L&D's value using AI, or because people are afraid that if they don't, their jobs are at risk? I’d love to read your thoughts in the comments.

𝟰. 𝗖𝗵𝗮𝗹𝗹𝗲𝗻𝗴𝗲𝘀 𝗮𝗿𝗲 𝗺𝗮𝘁𝗰𝗵𝗲𝗱 𝗯𝘆 𝗮𝗰𝘁𝗶𝗼𝗻
95% of respondents answered the question 𝘞𝘩𝘢𝘵 𝘪𝘴 𝘺𝘰𝘶𝘳 𝘣𝘪𝘨𝘨𝘦𝘴𝘵 𝘓&𝘋 𝘤𝘩𝘢𝘭𝘭𝘦𝘯𝘨𝘦?, sharing their concerns in over 40,000 words. But we received almost the same number of words in answer to 𝘞𝘩𝘢𝘵 𝘢𝘳𝘦 𝘺𝘰𝘶 𝘥𝘰𝘪𝘯𝘨 𝘯𝘰𝘸 𝘪𝘯 𝘓&𝘋 𝘵𝘩𝘢𝘵 𝘺𝘰𝘶 𝘸𝘦𝘳𝘦 𝘯𝘰𝘵 𝘥𝘰𝘪𝘯𝘨 12 𝘮𝘰𝘯𝘵𝘩𝘴 𝘢𝘨𝘰? Challenges are real, but are being met by action.

𝗠𝗲𝘁𝗵𝗼𝗱𝗼𝗹𝗼𝗴𝘆:
The survey ran for 76 days from 17 November 2025 to 31 January 2026. It had six questions, of which only one was obligatory: 𝘞𝘩𝘢𝘵 𝘸𝘪𝘭𝘭 𝘣𝘦 𝘩𝘰𝘵 𝘪𝘯 𝘸𝘰𝘳𝘬𝘱𝘭𝘢𝘤𝘦 𝘓&D in 2026? Participation was invited by email, social media and direct messaging.

You can download the report here: https://lnkd.in/ekD95B2z

Thanks to the report partners making the survey possible:

Sponsors: OpenSesame, getAbstract, Speexx, 360Learning, Learning Pool and TalentLMS

Partners: Learning Technologies Exhibition & Conference, eLearningMinds, Learning & Development Institute (L&DI), Enocta, OEB Global Conference, eLearningIndustry, Learning Uncut, iPro Sp. z o.o., Mosaicoelearning, Interlocked B.V., Biz Group, Learning News, Actua Solutions, Aleido, Assemble You, Capability Group, e-learnmedia, s.r.o., Firemní vzděláváníí, nōvi - a lifewide learning company, Offbeat, Training Journal, VOV Lerend Netwerk and Asia Learn Hub Marketplace Pte Ltd

#GSS26 #learning #research #learninganddevelopment
| 84 comments on LinkedIn

The seven roles of generative AI: Potential & pitfalls in combatting misinformation (Behavioral Science & Policy):

https://lnkd.in/dAQmpDCR

Glimpse: Since misinformation has the power to sway opinions and threaten democracy, it must be effectively mitigated. In this field, Generative Artificial Intelligence offers both opportunities and concerns. It can produce questionable content as well as identify and dispel false information on a large scale. AI's promise is highlighted by its capacity to encourage and persuade people, promote dialogue, and improve media literacy. But dangers like delusions, bias reinforcement, and manipulation draw attention to the necessity of implementation done carefully. Through the use of strengths, weaknesses, opportunities, and threats (SWOT) analysis, we investigate the functions of Gen AI as an informant, guardian, persuader, integrator, collaborator, teacher, and playmaker. In order to guarantee that gen ai can be used as a tool for truth rather than deceit, we emphasize for policymakers and technology leaders the significance of rules, transparency, human oversight, and AI literacy.

---
Free articles and analyses on soft counter-extremism, against online hate, and on the theory of mis-/disinformation (usually third-party content). Two-week reviews available via the following three Policyinstitute.net websites: 
• counter-terrorism.org
• preventhate.org
• strategism.org

The most recent LinkedIn posts on the above subjects, with glimpses, can be accessed via: 
• https://lnkd.in/eBarZAew

The views expressed in this post is that of the author(s) of the source content and do not necessarily represent those of Policyinstitute.net and its staff. While we carefully produce the glimpses to the articles, documents, or recordings that we hyperlink, we are not responsible for textual changes nor for imponderable parts of the original items. 

#policyinstitutenet #preventradicalization #preventextremism #counterextremism #preventhate #disinformation #misinformation

Doctors as medical orchestrators