O scrisoare publicată ca răspuns la o analiză sistematică recentă atrage atenția asupra unui punct vulnerabil în creștere: studiile clinice care evaluează intervenții bazate pe modele lingvistice mari (LLM — large language models) suferă de lacune importante în raportarea metodologică. Cu alte cuvinte, nu știm suficient de bine ce model a fost folosit, în ce versiune, pe ce date a fost antrenat și cum a fost integrat în practica clinică testată.
Analiza sistematică originală, semnată de Chen și colaboratorii, a examinat rapoarte de studii, protocoale și înregistrări în registre de trialuri, identificând absența sistematică a informațiilor tehnice esențiale: proveniența modelului, condițiile de testare, posibilele surse de bias introduse de arhitectura algoritmului. Scrisoarea de răspuns susține și extinde aceste concluzii, subliniind că, fără standarde clare de raportare, nu se poate evalua reproductibilitatea sau generalizabilitatea rezultatelor.
Pentru medicii și cercetătorii care urmăresc literatura despre inteligența artificială în medicină, mesajul este simplu: un studiu care afirmă că „un LLM a performat mai bine decât medicul la sarcina X" trebuie citit cu aceeași grilă critică aplicată oricărui trial — și adesea cu și mai multă precauție. Dacă nu știi ce model, ce versiune și ce date de antrenament au fost utilizate, nu știi ce ai testat de fapt.
Problema devine urgentă pe măsură ce numărul publicațiilor referitoare la LLM-uri medicale explodează. Comunitatea științifică discută adoptarea unor ghiduri de raportare similare celor din familia CONSORT, adaptate specificului intervențiilor cu inteligență artificială generativă. Până la implementarea unor astfel de standarde, clinicienii trebuie să evalueze cu rigurozitate deosebită transparența metodologică a fiecărui studiu înainte de a-i acorda relevanță în deciziile clinice.
