EDP Sciences logo
Subscriber Authentication Point
Search
Menu
Home All issues Volume 35 / No 10 (Octobre 2019) Med Sci (Paris), 35 10 (2019) 797-803 References
Open Access
Issue
Med Sci (Paris)
Volume 35, Number 10, Octobre 2019
Page(s) 797 - 803
Section Repères
DOI https://doi.org/10.1051/medsci/2019158
Published online 18 October 2019
  1. Verghese A, Charlton B, Kassirer JP, et al. Inadequacies of physical examination as a cause of medical errors and adverse events: a collection of vignettes. Am J Med 2015 ; 128 : 1322–4. [Google Scholar]
  2. Clark BW, Derakhshan A, Desai SV. Diagnostic errors and the bedside clinical examination. Med Clin North Am 2018 ; 102 : 453–64. [CrossRef] [PubMed] [Google Scholar]
  3. Chen JH, Asch SM. Machine learning and prediction in medicine: beyond the peak of inflated expectations. N Engl J Med 2017 ; 376 : 2507–9. [Google Scholar]
  4. Simpkin AL, Schwartzstein RM, Tolerating uncertainty: the next medical revolution? N Engl J Med. 2016 ; 375 : 1713–5. [Google Scholar]
  5. Baron RJ, Berinsky AJ. Mistrust in science: a threat to the patient–physician relationship. N Engl J Med 2019 ; 381 : 182–5. [Google Scholar]
  6. Teillaud JL. médecine/sciences 2019: un espace de débats scientifiques et médicaux. Med Sci (Paris) 2019 ; 35 : 7–8. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  7. Du Gaille M. bon usage du scepticisme à l’égard des sciences. Med Sci (Paris) 2017 ; 33 : 919–20. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  8. Collins GS, Moons KG. Reporting of artificial intelligence prediction models. Lancet 2019 ; 393 : 1577–9. [CrossRef] [PubMed] [Google Scholar]
  9. Kahn A. La part de l’humain dans la médecine de demain. Med Sci (Paris) 2018 ; 34 : 283–4. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  10. Simon P. Télémédecine : enjeux et pratiques. Brignais : Le Coudrier , 2015 : 190 p. [Google Scholar]
  11. Espinoza P. État des lieux des expérimentations innovantes en télémédecine en France. Med Sci (Paris) 2018 ; 34(hs1) : 33–5. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  12. Leleu P. État des lieux des technologies innovantes dans la e-santé. Med Sci (Paris) 2018 ; 34(hs1) : 32–3. [Google Scholar]
  13. Aymé S. État des lieux de la collecte et de l’exploitation des données pour la recherche et la prise de décision en santé dans les maladies rares en France. Med Sci (Paris) 2018 ; 34(hs1) : 22–5. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  14. Salamanca E. État des lieux du développement de la Banque nationale de données maladies rares. Med Sci (Paris) 2018 ; 34(hs1) : 26. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  15. Allouche M, Hervé C, Pirnay P. Le nécessaire questionnement éthique autour de la relation de soin en télémédecine bucco-dentaire. Med Sci (Paris) 2017 ; 33 : 1105–9. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  16. Nochomovitz M, Sharma R. Is it time for a new medical specialty? The medical virtualist JAMA 2018 ; 319 : 437–8. [CrossRef] [PubMed] [Google Scholar]
  17. Topol EJ. Deep medicine: how artificial intelligence can make healthcare human again. New-York : Basic Books, 2019 : 400 p. [Google Scholar]
  18. Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med 2019 ; 25 : 24–9. [CrossRef] [PubMed] [Google Scholar]
  19. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med 2019 ; 25 : 44–56. [CrossRef] [PubMed] [Google Scholar]
  20. De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med 2018 ; 24 : 1342–50. [CrossRef] [PubMed] [Google Scholar]
  21. Wolf B, Scholze C. Médecine 4.0 ou de l’importance des nouvelles technologies dans la médecine moderne : le cas de la chimiothérapie personnalisée. Med Sci (Paris) 2018 ; 34 : 456–61. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  22. Schrider DR, Kern AD. Supervised machine learning for population genetics: a new paradigm. Trends Genet 2018 ; 34 : 30–12. [CrossRef] [PubMed] [Google Scholar]
  23. Stoeklé HC, Forster N, Charlier P, et al. Le partage des données génétiques : un nouveau capital. Med Sci (Paris) 2018 ; 34 : 735–9. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  24. Topol EJ. A decade of digital medicine innovation. Sci Transl Med 2019 ; 11 : eaaw7610. [PubMed] [Google Scholar]
  25. Polton D. Les données de santé. Med Sci (Paris) 2018 ; 34 : 449–55. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  26. Dupont Beresniak A, Kalra D, et al. Intérêt des dossiers de santé électroniques hospitaliers pour la recherche clinique : le projet européen EHR4CR. Med Sci (Paris) 2018 ; 34 : 972–7. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  27. Berrouiguet S, Le Moal V, Guillodo E, et al. Prévention du suicide et santé connectée : vers la personnalisation des soins ? Med Sci (Paris) 2018 ; 34 : 730–4. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  28. Postel-Vinay N, Reach G, Eveillard P. Observance et nouvelles technologies : nouveau regard sur une problématique ancienne. Med Sci (Paris) 2018 ; 34 : 723–9. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  29. Dagher G, Lavitrano ML, Hofman P. Le next-generation biobanking : un défi des données numériques. Med Sci (Paris) 2018 ; 34 : 849–51. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  30. Thiébaut R, Thiessard F. Artificial intelligence in public health and epidemiology. Yearb Med Inform 2018 ; 27 : 207–10. [PubMed] [Google Scholar]
  31. Castelvecchi D. Can we open the black box of AI ? Nature 2016 ; 538 : 20–3. [CrossRef] [PubMed] [Google Scholar]
  32. Voosen P. The AI detectives. Science 2017 ; 357 : 22–7. [Google Scholar]
  33. Reyzin L. Unprovability comes to machine learning. Nature 2019 ; 565 : 166–7. [CrossRef] [PubMed] [Google Scholar]
  34. Hutson M. Has artificial intelligence become alchemy ? Science 2018 ; 360 : 478. [Google Scholar]
  35. Hutson M Artificial intelligence faces reproducibility crisis. Science 2018 ; 359 : 725–6. [Google Scholar]
  36. L’intelligence artificielle : un enjeu scientifique ? Mallat S, invité à 64 minutes le monde en français : TV5 Monde, 18 février 2019. https://www.actuia.com/actualite/lintelligence-artificielle-un-enjeu-scientifique-stephane-mallat-invite-sur-tv5monde) [Google Scholar]
  37. Houdé O. L’intelligence humaine n’est pas un algorithme. Paris : Odile Jacob, 2019 : 248 p. [Google Scholar]
  38. Comité consultatif national d’éthique pour les sciences de la vie et de la santé (CCNE). 1. Avis 129 : Contribution du CCNE à la révision de la loi de bioéthique. 18 septembre 2018, 160 p. 2. Rapport Numérique et santé : Quels enjeux éthiques ? Pour quelles régulations ? Kirchner C, Gruson D. 19 novembre 2018, 100 p. 3. Bioéthique. États généraux 2018 : Rapport de synthèse du CCNE: opinions du comité citoyen. 220 p. 4. Avis 130. Données massives et santé : une nouvelle approche des enjeux éthiques. 29 mai 2019, 92 p. [Google Scholar]
  39. Fralick M, Colak E, Mamdani M. Machine learning in medicine. N Engl J Med 2019 ; 380 : 2588–9. [Google Scholar]
  40. Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N Engl J Med 2019 ; 380 : 1347–58. [Google Scholar]
  41. Ullman S. Using neuroscience to develop artificial intelligence. Science 2019 ; 363 : 692–3. [Google Scholar]
  42. Julia L. L’intelligence artificielle n’existe pas. Paris : First ; 2019 : 286 p. [Google Scholar]
  43. Durrleman S. Intelligence artificielle : la grande méprise ? Libération hors-Série 2 ; décembre 2018–février 2019 : 28–9. [Google Scholar]
  44. Vallancien G, Homo artificialis : plaidoyer pour un humanisme numérique. Paris : Michalon ; 2017 : 208p. [Google Scholar]
  45. He J, Baxter SL, Xu J, et al. The practical implementation of artificial intelligence technologies in medicine. Nat Med 2019 ; 25 : 30–6. [CrossRef] [PubMed] [Google Scholar]
  46. Bril A, Dollé L, Postel-Vinay N. Numérique et santé (avant-propos). Med Sci (Paris) 2018 ; 34 : 448. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  47. Lesaulnier F. Recherche en santé et données personnelles : la nouvelle donne. Med Sci (Paris) 2018 ; 34(hs1) : 27–8. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  48. D’Alessandro B, O’Neil C, LaGatta T. Conscientious classification: a data scientist’s guide to discrimination-aware classification. Big Data 2017 ; 5 : 120–34. [CrossRef] [PubMed] [Google Scholar]
  49. Gruson D. La machine, le médecin et moi : pour une régulation positive de l’intelligence artificielle en santé. Paris : L’Observatoire, 2018 : 160 p. [Google Scholar]
  50. Sacconi S, Mehl J, Lenain C, et al. E-Santé et innovation thérapeutique. Med Sci (Paris) 2019 ; 35(hs1) : 42–5. [CrossRef] [EDP Sciences] [PubMed] [Google Scholar]
  51. Tran VT, Riveros C, Ravaud P. Patients’views of wearable devices and AI in healthcare : findings from the ComPaRe e-cohort. NPJ Digit Med 2019 ; 2 : 53. [CrossRef] [PubMed] [Google Scholar]
  52. Khan MS, Riaz H. The rise of documentation and the destruction of modern medicine. Am J Med 2019 ; 132 : 407. [Google Scholar]
  53. Favereau E. IA, datas et santé : pour des lycéens marseillais, la responsabilité reviendra toujours à l’humain. Libération, 29 mai 2019. [Google Scholar]
  54. Munnich A, Programmé mais libre : les malentendus de la génétique. Paris : Plon, 2016 : 144p. [Google Scholar]
  55. Facco E, Lucangeli D, Tressoldi P. On the science of consciousness: epistemological reflections and clinical implications. Explore (NY) 2017 ; 13 : 163–80. [CrossRef] [PubMed] [Google Scholar]
  56. Michel M, Beck D, Block N, et al. Opportunities and challenges for a maturing science of consciousness. Nat Hum Behav 2019 ; 3 : 104–7. [CrossRef] [PubMed] [Google Scholar]
  57. Dehaene S, Lau H, Kouider S. What is consciousness, and could machines have it? Science 2017 ; 358 : 486–92. [Google Scholar]
  58. Turing AM. Computing machinery and intelligence. Mind 1950 ; 59 : 433–60. [Google Scholar]
  59. Garnelo M, Shanahan M. Reconciling deep learning with symbolic artificial intelligence: representing objects and relations. Curr Opin Behav Sci 2019 ; 29 : 17–23. [Google Scholar]

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.