IA no raciocínio clínico

Vous finissez de lire un cas difficile, vous ouvrez un assistant d'intelligence artificielle, vous collez l'histoire et vous recevez en quelques secondes une liste de dix diagnostics bien expliqués. Cela ressemble à la fin du problème. Un essai clinique randomisé avec 50 médecins a montré quelque chose de moins évident : avoir un modèle de langage disponible, en plus des ressources habituelles, n'a pas amélioré de façon significative la performance des médecins dans le raisonnement diagnostique, bien que le modèle seul ait obtenu un score plus élevé que les médecins (Goh et al., 2024).

NEXO est un jeu quotidien de diagnostic médical : un cas clinique par jour, six indices progressifs et un retour de proximité dans la CIM-10 sur cinq niveaux.

Ce texte résume ce que les études montrent sur l'intelligence artificielle dans le raisonnement clinique, quels risques apparaissent quand elle entre dans la routine et comment étudier avec l'IA à ses côtés sans cesser de développer son propre raisonnement.

Points principaux

• Les modèles de langage réussissent déjà bien aux tests et sur les vignettes, mais avoir l'outil disponible ne garantit pas que le médecin raisonne mieux.
• Dans certaines études, des médecins avec un soutien d'IA sont parvenus à des listes de diagnostic différentiel plus complètes.
• Le biais d'automatisation, la tendance à faire trop confiance à la machine, est un risque connu, et il existe des moyens de le réduire.
• Une étude observationnelle suggère que l'exposition continue à l'IA peut dégrader la performance quand elle n'est pas disponible.
• Pour ceux qui étudient, l'ordre compte : d'abord votre raisonnement, ensuite la comparaison avec l'outil.

Sommaire

• Ce que l'IA sait déjà faire dans le diagnostic
• L'IA entre les mains du médecin : ce qui change
• Les risques : biais d'automatisation et perte de compétence
• Comment étudier le raisonnement clinique avec l'IA à ses côtés
• Là où l'entraînement sans aide reste essentiel
• Questions fréquentes
• Liste de vérification pour utiliser l'IA dans le raisonnement clinique

Ce que l'IA sait déjà faire dans le diagnostic

L'idée d'utiliser des ordinateurs pour aider au diagnostic est ancienne, et la qualité des outils a beaucoup changé en quelques années. Il vaut la peine d'observer l'évolution pour comprendre ce que les chiffres actuels signifient.

Avant les modèles de langage

En 2015, une étude a testé 23 vérificateurs de symptômes en ligne avec 45 vignettes standardisées (Semigran et al., 2015). Les outils ont donné le diagnostic correct en premier lieu dans 34 % des évaluations et l'ont inclus parmi les 20 premiers dans 58 % (Semigran et al., 2015). Au triage, les conseils tendaient à être trop prudents, invitant à consulter dans des situations où l'auto-soin était raisonnable (Semigran et al., 2015).

Les modèles de langage aux examens

En 2023, une étude a évalué des modèles de langage sur un ensemble de bases de questions médicales, et l'une des versions a atteint 67,6 % de bonnes réponses à des questions dans le style de l'examen de licence médicale des États-Unis (Singhal et al., 2023). L'évaluation humaine des réponses a toutefois révélé des lacunes importantes, et même la version ajustée pour la médecine est restée en dessous des cliniciens (Singhal et al., 2023).

Les auteurs soulignent l'importance d'évaluer les réponses sur plusieurs axes, comme la factualité, la compréhension, le raisonnement, la possibilité de préjudice et le biais (Singhal et al., 2023). Réussir l'alternative d'un examen est différent de bien raisonner sur un patient.

Diagnostic différentiel dans les cas difficiles

En 2025, un modèle optimisé pour le raisonnement diagnostique a été testé sur 302 récits de cas difficiles publiés dans la littérature, évalués par 20 cliniciens (McDuff et al., 2025). Seul, le modèle a inclus le diagnostic correct parmi les dix premières hypothèses dans 59,1 % des cas, contre 33,6 % des cliniciens sans aide (McDuff et al., 2025).

Une autre étude du même groupe a comparé un système de conversation diagnostique avec des médecins de soins primaires lors de consultations par texte avec des acteurs entraînés (Tu et al., 2025). Le système a eu une plus grande exactitude diagnostique et a été meilleur sur la plupart des axes évalués, mais les auteurs appellent à la prudence : la consultation par chat textuel n'est pas la façon habituelle de recevoir, et davantage de recherche est nécessaire avant de porter le système en pratique (Tu et al., 2025).

Où l'IA apparaît dans la santé

Le diagnostic n'est qu'un des fronts. Les recommandations de l'Organisation mondiale de la santé sur les grands modèles multimodaux décrivent cinq grandes applications dans la santé (OMS, 2024) :

• diagnostic et soins cliniques, comme répondre à des questions écrites de patients ;
• utilisation guidée par le patient lui-même, comme explorer des symptômes et des traitements ;
• tâches administratives, comme documenter et résumer des consultations dans le dossier médical électronique ;
• formation médicale et infirmière, y compris des rencontres simulées avec des patients ;
• recherche scientifique et développement de médicaments.

Pour l'étudiant, cela signifie que l'IA va apparaître à plusieurs moments de la formation, du résumé d'un article à la simulation d'une consultation. À chacun de ces moments, la question est la même : l'outil fait-il le travail à ma place ou m'aide-t-il à mieux le faire ?

Comment lire ces résultats

Type d'étude	Ce qu'elle mesure	Ce qu'elle ne mesure pas
Épreuves à choix multiples	Connaissance et reconnaissance de patterns dans des questions fermées	Recueil de données, examen physique, contexte du patient
Vignettes et récits de cas	Capacité à construire un diagnostic différentiel à partir d'un texte déjà rédigé	La tâche de décider quelles données rechercher
Consultations simulées par texte	Conversation et raisonnement dans un format contrôlé	La consultation en présentiel, avec un temps et des ressources limités
Essais avec des médecins	L'effet de donner l'outil à celui qui soigne	L'effet sur les patients, sauf lorsque le critère de jugement est clinique

Source du tableau : synthèse de l'Editorial à partir des protocoles de Singhal et al., 2023, McDuff et al., 2025, Tu et al., 2025 et Goh et al., 2024.

La lecture d'ensemble est que l'IA réussit bien les tâches où les données arrivent déjà organisées. Le travail de décider quoi demander, quoi examiner et quoi prescrire reste à celui qui soigne.

L'IA entre les mains du médecin : ce qui change

Savoir que l'outil réussit seul est une chose. Savoir si le médecin muni de l'outil décide mieux en est une autre, et c'est la question qui compte pour la pratique.

L'essai randomisé avec des médecins

Dans l'essai de 2024, des médecins de médecine de famille, de médecine interne et d'urgence ont été tirés au sort pour utiliser un modèle de langage en plus des ressources habituelles ou seulement les ressources habituelles, avec jusqu'à six vignettes en une heure (Goh et al., 2024). Le critère de jugement principal évaluait l'exactitude du diagnostic différentiel, le choix des facteurs pour et contre chaque hypothèse et les prochaines étapes de l'investigation (Goh et al., 2024).

La médiane du score était de 76 % dans le groupe avec le modèle et de 74 % dans le groupe sans lui, une différence sans signification statistique (Goh et al., 2024). Le modèle seul a obtenu 16 points de pourcentage de plus que le groupe des ressources habituelles, et les auteurs concluent qu'il faut développer autant la technologie que la manière dont les professionnels travaillent avec elle (Goh et al., 2024).

Quand l'aide a élargi le diagnostic différentiel

Dans l'étude des récits de cas, les cliniciens avec l'appui du modèle sont parvenus à des listes de diagnostic différentiel plus complètes et ont trouvé plus souvent parmi les dix premières hypothèses (51,7 %) que les cliniciens sans aide (36,1 %) et ceux qui utilisaient une recherche sur internet (44,4 %) (McDuff et al., 2025). Dans cette étude, tous les cliniciens ont d'abord fait un diagnostic différentiel sans aide et n'ont utilisé l'outil qu'ensuite (McDuff et al., 2025).

Ce qui explique la différence entre les études

Les protocoles sont différents, et il n'est pas possible de comparer les chiffres directement. Mais un point attire l'attention : avoir l'outil n'est pas la même chose que savoir l'utiliser. L'essai de 2024 suggère que, sans entraînement et sans une manière définie de travailler avec l'IA, le médecin peut ne pas profiter de ce qu'elle offre. L'étude de 2025 suggère que réfléchir d'abord et consulter ensuite est une forme d'usage qui élargit la liste des hypothèses.

Les risques : biais d'automatisation et perte de compétence

Tout outil qui aide à décider apporte un risque avec lui : celui de décider à votre place. Ce risque a un nom et a été étudié bien avant les modèles de langage.

Biais d'automatisation

Une revue systématique a défini le biais d'automatisation comme la tendance à faire trop confiance aux systèmes automatisés et a réuni 74 études sur le sujet (Goddard et al., 2012). Les auteurs rappellent que, bien que les systèmes d'aide à la décision améliorent la performance globale dans la plupart des recherches, on ne reconnaît souvent pas les nouvelles erreurs qu'ils peuvent introduire (Goddard et al., 2012).

Facteurs qui influencent le biais	Ce qui aide à le réduire
Confiance dans l'outil	Entraînement
Style cognitif et expérience de la tâche	Rappeler que la responsabilité revient à celui qui décide
Charge de travail	Afficher des niveaux de confiance actualisés avec la réponse
Tâche complexe et peu de temps	Offrir de l'information plutôt qu'une recommandation toute faite

Source du tableau : médiateurs et formes d'atténuation décrits par Goddard et al., 2012.

L'Organisation mondiale de la santé cite aussi le biais d'automatisation parmi les risques des grands modèles multimodaux, aux côtés de réponses fausses, imprécises, biaisées ou incomplètes (OMS, 2024). La même orientation liste l'éducation médicale, avec des rencontres simulées avec des patients, parmi les applications possibles de ces modèles (OMS, 2024).

Perte de compétence

Une étude observationnelle dans quatre centres d'endoscopie en Pologne a comparé des coloscopies faites sans IA avant et après l'introduction d'un outil de détection de polypes (Budzyń et al., 2025). Le taux de détection d'adénomes dans les examens sans IA est passé de 28,4 % à 22,4 % après l'exposition à l'outil (Budzyń et al., 2025).

Les auteurs interprètent que l'exposition continue à l'IA peut avoir un effet négatif sur la performance lorsqu'elle n'est pas disponible (Budzyń et al., 2025). C'est une étude observationnelle, sur une tâche visuelle et dans une spécialité, et elle ne prouve pas le même effet sur le raisonnement diagnostique. Mais l'alerte vaut pour celui qui construit sa propre base : la compétence que vous ne pratiquez pas tend à s'affaiblir.

Le risque pour celui qui apprend encore

Pour l'étudiant, le risque majeur est de sauter l'étape qui forme le raisonnement. Quand la liste d'hypothèses arrive toute faite, vous cessez d'entraîner justement ce qu'un texte sur le raisonnement clinique dans le cycle clinique décrit comme le cœur de la compétence : rassembler des données, générer des hypothèses et les tester. Et sans base personnelle, il devient difficile de percevoir quand l'outil se trompe.

Comment étudier le raisonnement clinique avec l'IA à ses côtés

La question utile n'est pas de savoir si vous devez utiliser l'IA, mais à quel moment et pour quoi faire. L'ordre dans lequel vous utilisez l'outil change ce que vous apprenez.

D'abord vous, ensuite l'outil

Le schéma de l'étude des récits de cas, où chaque clinicien faisait un différentiel seul avant de consulter l'outil, est un bon modèle pour étudier (McDuff et al., 2025). En pratique :

1. Lisez le cas et écrivez votre résumé en une phrase.
2. Construisez votre différentiel avec trois à cinq hypothèses, par ordre.
3. Écrivez un élément pour et un contre chaque hypothèse.
4. Alors seulement, consultez l'outil.
5. Comparez : quelle hypothèse a-t-il apportée que vous n'aviez pas ? A-t-il ignoré une donnée que vous jugiez importante ?

Avec ce guide, l'IA devient un retour sur votre raisonnement, et non un substitut. C'est la même logique que de se tester avant de regarder la réponse, expliquée dans le texte sur réviser en jouant.

Utilisez l'IA pour poser des questions, pas seulement pour répondre

Certaines façons d'utiliser l'IA tendent à entraîner davantage le raisonnement :

• Demander l'argument contraire. "Quelle donnée de ce cas affaiblit mon hypothèse principale ?"
• Demander le diagnostic à ne pas manquer. "Quelle cause grave correspond à ces constatations et que j'ai laissée de côté ?"
• Demander la question suivante. "Quelle question de l'anamnèse séparerait les deux premières hypothèses ?"
• Demander une explication du mécanisme. "Pourquoi cette maladie cause-t-elle cette constatation ?"

Dans tous les cas, vérifiez la réponse dans une source fiable. Les modèles peuvent produire des affirmations fausses ou incomplètes (OMS, 2024), et la fluidité du texte ne garantit pas qu'il soit correct.

Un retour sur ce que vous écrivez

L'IA est aussi étudiée comme moyen de donner un retour sur le raisonnement écrit. Une étude dans deux institutions américaines a développé des modèles pour évaluer la documentation du raisonnement clinique dans les notes d'admission de résidents, et les auteurs concluent que ce type d'outil peut élargir le retour sur le raisonnement (Schaye et al., 2025). La performance a varié entre les modèles, et certains ont eu une performance insuffisante pour une implantation (Schaye et al., 2025).

Un exemple commenté

Voyez comment le guide fonctionne dans un cas d'étude. Le cas est une vignette didactique de l'Editorial, et l'objectif est de montrer la méthode, et non d'enseigner la conduite.

Le cas. Femme de 34 ans avec fatigue depuis deux mois, prise de poids et constipation. Elle raconte qu'elle ressent plus le froid que ses collègues de travail.

Étape 1, votre résumé. "Femme jeune avec fatigue, prise de poids, constipation et intolérance au froid depuis deux mois."

Étape 2, votre différentiel. Vous listez l'hypothyroïdie en premier, puis la dépression, l'anémie et l'effet d'un médicament, et vous notez ce qui favorise chacune. Remarquez que l'intolérance au froid pèse en faveur de la première hypothèse.

Étape 3, la consultation. Vous demandez à l'outil un diagnostic différentiel pour le même résumé. Il apporte une liste similaire et ajoute l'apnée du sommeil et la grossesse, que vous n'aviez pas envisagées.

Étape 4, la comparaison. La question n'est pas de savoir qui a eu raison, mais pourquoi sa liste contenait des éléments que la vôtre n'avait pas. La grossesse, par exemple, est une hypothèse que l'on envisage chez toute femme en âge de procréer, et l'oublier est une erreur d'habitude, et non de connaissance.

Étape 5, la source. Vous vérifiez dans une référence fiable quels examens aideraient à séparer les hypothèses et vous notez ce que vous avez appris. La note va dans votre carnet d'erreurs, avec l'habitude qui a manqué.

Au final, l'outil a servi à montrer une lacune de votre raisonnement, et non à penser à votre place. C'est cette différence que la méthode protège.

Erreurs courantes lorsqu'on étudie avec l'IA

• Consulter avant de réfléchir. La liste toute faite vous prive de la partie de l'exercice qui forme le raisonnement.
• Accepter la première réponse. Une explication fluide semble juste même quand elle ne l'est pas.
• Confondre connaissance et raisonnement. Connaître la liste des causes d'un symptôme est différent de choisir la plus probable pour un patient.
• Étudier uniquement avec des questions fermées. Les modèles réussissent bien aux questions à choix multiples ; la consultation commence par un motif ouvert.
• Oublier le contexte local. L'épidémiologie, les protocoles et les ressources de votre service changent la décision, et l'outil n'en tient pas toujours compte.

Précautions pratiques

• Protégez les données. Ne collez jamais un nom, un document ou toute information identifiant une personne dans un outil public.
• Vérifiez la source. Demandez des références et ouvrez chacune d'elles ; les modèles peuvent citer des articles qui n'existent pas.
• Suivez les règles de votre service. Les facultés et les hôpitaux peuvent avoir leurs propres règles sur l'usage de l'IA.
• Consignez votre décision. Si l'IA a aidé à se rappeler une hypothèse, la décision et la justification restent les vôtres.

Éthique et transparence

Utiliser l'IA pour étudier implique aussi de l'honnêteté. Si un travail de faculté ou une discussion de cas a bénéficié de l'aide d'un outil, dites-le, comme vous citeriez un livre. En consultation, la responsabilité de la décision revient à celui qui soigne, et c'est pourquoi la revue sur le biais d'automatisation désigne le renforcement de la responsabilité individuelle comme l'un des moyens de réduire la confiance excessive (Goddard et al., 2012).

Là où l'entraînement sans aide reste essentiel

Même si l'IA devient courante en consultation, le médecin a besoin d'un raisonnement propre pour savoir quand faire confiance et quand douter. Ce raisonnement se forme par la pratique sans aide.

Ce que seule la pratique forme

Savoir quelles données chercher, percevoir quand un résultat ne concorde pas, sentir qu'un cas est plus grave qu'il n'y paraît : ces compétences se forment avec beaucoup de cas et du retour. Le texte sur le diagnostic différentiel avec des indices montre comment entraîner la génération et le test des hypothèses, et celui sur les jeux de raisonnement clinique compare des formats d'entraînement.

Calibrer la confiance dans l'outil

Faire confiance à l'IA dans la juste mesure exige de savoir, par expérience personnelle, ce qu'est un bon raisonnement. Celui qui a déjà résolu beaucoup de cas sans aide remarque quand la réponse de l'outil ignore une donnée importante, quand l'hypothèse principale n'explique pas un résultat ou quand la liste semble trop générique. Celui qui a sauté cette étape tend à accepter la première réponse bien écrite. C'est pourquoi l'entraînement sans aide et l'usage de l'IA ne sont pas en concurrence : le premier est ce qui rend le second sûr.

S'entraîner sur NEXO

Sur NEXO, le cas arrive en six indices au maximum, un à la fois, et vous donnez votre hypothèse par le nom du diagnostic ou par le code CIM-10, sans que personne ne suggère la réponse. À chaque hypothèse erronée, le jeu montre la proximité en cinq niveaux, de chapitre différent à CIM exact, et ouvre l'indice suivant. C'est un entraînement au raisonnement propre : décider avec une information incomplète et ajuster l'hypothèse grâce au retour.

Le Journal propose un cas par jour, identique pour tous, et les Archives réunissent les cas quotidiens précédents. Le Multimédia ajoute image, audio et autres examens, et les Continents change l'épidémiologie de fond. L'Adrénaline met le temps dans l'équation. La façon dont chaque mode est débloqué se trouve sur la page d'économie de NEXO. Après le cas, si vous le souhaitez, comparez votre raisonnement avec celui d'un outil d'IA en suivant le parcours ci-dessus.

Conserver, discuter et rechercher

Le bouton Anki crée la carte directement depuis NEXO et l'ouvre dans l'application Anki, utile pour garder la donnée que vous n'aviez pas valorisée. L'onglet Groupe du classement, qui réunit des collègues invités, permet de discuter avec la classe pour savoir sur quel indice chacun a trouvé. Si vous coordonnez une faculté, une ligue ou un internat et que vous voulez utiliser des cas comme ceux-ci dans l'enseignement, découvrez NEXO Closer. Les chercheurs qui étudient l'IA et le raisonnement clinique peuvent proposer des études via NEXO Researcher, et les médecins qui souhaitent revoir des cas de leur spécialité peuvent participer via NEXO Curator. Ceux qui produisent du contenu de médecine peuvent découvrir NEXO Creators.

Questions fréquentes

L'intelligence artificielle fait-elle un meilleur diagnostic que le médecin ?

Dans certaines études avec des vignettes et des récits de cas, le modèle seul a obtenu un score plus élevé que les médecins (Goh et al., 2024 ; McDuff et al., 2025). Ces études utilisent des données déjà organisées en texte et ne mesurent ni la collecte des données ni la consultation en présentiel.

Utiliser l'IA améliore-t-il le raisonnement du médecin ?

Cela dépend de la façon dont elle est utilisée. Dans un essai randomisé, la disponibilité de l'outil n'a pas amélioré de façon significative le raisonnement des médecins (Goh et al., 2024). Dans une autre étude, où les cliniciens réfléchissaient d'abord et consultaient ensuite, les diagnostics différentiels étaient plus complets (McDuff et al., 2025).

Qu'est-ce que le biais d'automatisation ?

C'est la tendance à faire trop confiance aux systèmes automatisés. Une revue systématique a identifié des facteurs qui l'influencent, comme la charge de travail et le manque de temps, et des moyens de le réduire, comme la formation et le renforcement de la responsabilité de celui qui décide (Goddard et al., 2012).

Utiliser l'IA peut-il faire perdre de la compétence au médecin ?

Une étude observationnelle en coloscopie a constaté une baisse du taux de détection des adénomes dans les examens sans IA après que les médecins ont commencé à utiliser l'outil (Budzyń et al., 2025). Le résultat vaut pour cette tâche, mais il renforce l'importance de maintenir la pratique sans aide.

En tant qu'étudiant, puis-je utiliser l'IA pour étudier des cas ?

Oui, avec méthode : faites votre diagnostic différentiel d'abord, consultez ensuite et comparez. Vérifiez chaque information dans une source fiable et ne collez jamais de données identifiant des personnes. L'OMS avertit que ces modèles peuvent produire des réponses fausses ou incomplètes (OMS, 2024).

À quoi d'autre l'IA sert-elle dans la santé ?

L'OMS décrit des applications en diagnostic et soin clinique, usage par le patient lui-même, tâches administratives comme documenter les consultations, éducation médicale et recherche scientifique (OMS, 2024).

Comment NEXO aide-t-il dans cet entraînement ?

Dans NEXO, vous résolvez le cas avec jusqu'à six indices et recevez la proximité de votre hypothèse dans la CIM-10, en entraînant votre propre raisonnement avec un retour à chaque tentative. Pour découvrir le jeu, lisez qu'est-ce que NEXO.

Liste de vérification pour utiliser l'IA dans le raisonnement clinique

1. Faites votre diagnostic différentiel d'abord avant d'ouvrir n'importe quel outil.
2. Écrivez les données pour et contre chaque hypothèse.
3. Consultez l'IA comme second avis, et non comme première réponse.
4. Demandez l'argument contraire et la cause grave qui a pu être oubliée.
5. Vérifiez chaque information dans une source fiable.
6. Ouvrez les références que l'outil cite.
7. Protégez les données : rien qui identifie une personne ne va dans l'outil.
8. Méfiez-vous davantage quand vous êtes fatigué ou pressé.
9. Maintenez un entraînement sans aide pour ne pas perdre la base.
10. Assumez la décision : la justification est la vôtre.

Vous voulez entraîner votre raisonnement sans aide aujourd'hui ? Jouez le cas du jour sur NEXO.

Références

1. Goh E, Gallo R, Hom J, et al. Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Netw Open. 2024. https://pubmed.ncbi.nlm.nih.gov/39466245/
2. McDuff D, Schaekermann M, Tu T, et al. Towards accurate differential diagnosis with large language models. Nature. 2025. https://pubmed.ncbi.nlm.nih.gov/40205049/
3. Tu T, Schaekermann M, Palepu A, et al. Towards conversational diagnostic artificial intelligence. Nature. 2025. https://pubmed.ncbi.nlm.nih.gov/40205050/
4. Singhal K, Azizi S, Tu T, et al. Large language models encode clinical knowledge. Nature. 2023. https://pubmed.ncbi.nlm.nih.gov/37438534/
5. Semigran HL, Linder JA, Gidengil C, Mehrotra A. Evaluation of symptom checkers for self diagnosis and triage: audit study. BMJ. 2015. https://pubmed.ncbi.nlm.nih.gov/26157077/
6. Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. J Am Med Inform Assoc. 2012. https://pubmed.ncbi.nlm.nih.gov/21685142/
7. Budzyń K, Romańczyk M, Kitala D, et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol. 2025. https://pubmed.ncbi.nlm.nih.gov/40816301/
8. Organisation mondiale de la Santé. WHO releases AI ethics and governance guidance for large multi-modal models. 2024. https://www.who.int/news/item/18-01-2024-who-releases-ai-ethics-and-governance-guidance-for-large-multi-modal-models
9. Schaye V, DiTullio D, Guzman BV, et al. Large Language Model-Based Assessment of Clinical Reasoning Documentation in the Electronic Health Record Across Two Institutions: Development and Validation Study. J Med Internet Res. 2025. https://pubmed.ncbi.nlm.nih.gov/40117575/