How to Use AI for a PRISMA-Compliant Systematic Review

Une revue systématique prenait autrefois entre six et neuf mois à une équipe de trois chercheurs. Le goulot d'étranglement n'était pas la lecture, mais la sélection. Douze mille résumés extraits de PubMed, Embase, Scopus et Cochrane, chacun nécessitant deux évaluateurs indépendants pour décider d'inclure ou d'exclure selon des critères pré-enregistrés. À l’époque, les mathématiques orientaient les carrières autour de ce sujet.

L’IA a changé ce calcul. Les modèles de langage modernes peuvent filtrer des résumés en quelques secondes, extraire les caractéristiques d'une étude à partir de fichiers PDF en texte intégral en quelques minutes et résumer des centaines d'articles en quelques heures. Utilisée avec précaution, l’IA réduit la phase de sélection d’un examen de plusieurs mois à quelques semaines. Utilisé avec négligence, il produit un document non reproductible et non conforme qui échoue à l’examen par les pairs.

Ce guide explique où l'IA aide légitimement dans un examen conforme à PRISMA, où elle ne devrait pas faire le travail, les exigences de reporting qui accompagnent l'utilisation de l'IA et un flux de travail étape par étape qui satisfait à PRISMA 2020 et à l'extension PRISMA-trAIce.

Ce dont PRISMA a réellement besoin (rappel rapide)

PRISMA 2020 est la liste de contrôle de reporting standard pour les examens systématiques. Cela régit la façon dont vous décrivez ce que vous avez fait, pas la façon dont vous le faites. Les éléments pertinents pour l’utilisation de l’IA sont :

Rapports sur la stratégie de recherche. Documentez chaque base de données recherchée, chaque chaîne de recherche utilisée et chaque date d'exécution des recherches. La reproductibilité est la norme : un autre chercheur devrait pouvoir relancer votre recherche et obtenir les mêmes résultats.

Rapports de sélection. Documentez le nombre de dossiers examinés, le nombre d'examinateurs indépendants, la manière dont les désaccords ont été résolus et combien ont été exclus à chaque étape. L'organigramme classique PRISMA se trouve ici.

Rapports d'extraction de données. Documentez quelles données ont été extraites, par qui et comment les désaccords ont été résolus.

Évaluation du risque de biais. Documentez l'outil utilisé (Cochrane RoB 2, ROBINS-I, etc.) et qui l'a réalisé.

Déclaration des écarts. Tout ce qui ne s'est pas déroulé selon le protocole pré-enregistré doit être signalé de manière motivée.

L'extension PRISMA-trAIce (publiée en 2024, mise à jour en 2025) ajoute des exigences de reporting spécifiques à l'IA en plus de PRISMA 2020. La version courte : partout où l'IA a été utilisée dans l'examen, vous signalez l'outil, la version, les invites et la manière dont la vérification humaine a été effectuée.

Where AI legitimately helps

Il s'agit d'utilisations dans lesquelles l'IA accélère le travail sans modifier le contenu de l'évaluation.

Détection des doublons. Les enregistrements extraits de plusieurs bases de données sont souvent en double. Les gestionnaires de références traditionnels (Zotero, EndNote, Covidence) le font très bien. L’IA est excessive ici – continuez à utiliser les outils standard.

Titre initial et sélection des résumés. L'IA peut noter chaque résumé en fonction de vos critères d'inclusion et les classer ou les pré-classer. Deux évaluateurs humains doivent encore prendre la décision finale d'inclusion/exclusion, mais la préclassification par l'IA réduit considérablement le temps humain. Il s’agit de l’utilisation de l’IA la plus rentable dans la plupart des revues.

Récupération et tri du texte intégral. L'IA peut extraire les métadonnées d'une publication, identifier si un texte intégral correspond aux affirmations du résumé (parfois ce n'est pas le cas) et signaler les articles qui semblent être des résumés de conférence, des errata ou des publications en double sous des titres différents.

Extraction de données à partir d'articles structurés. Tableaux des caractéristiques des patients, des dosages et des tailles d'effet — L'IA peut les extraire de fichiers PDF en texte intégral dans une feuille d'extraction de données structurée, que deux examinateurs humains vérifient ensuite. Le temps de vérification est bien inférieur à une extraction manuelle complète.

Synthèse et support à la rédaction. Rédaction de la description de la procédure de sélection de la section méthodes, rédaction du texte de l'organigramme PRISMA, résumant le tableau des caractéristiques des études incluses — L'IA aide à la rédaction sans changer le fond de la revue.

Traduction de sources non anglaises. Si votre révision inclut des articles non anglais, la traduction AI est devenue suffisamment fiable pour prendre en charge l'inclusion de ces sources. Documentez l’outil utilisé dans les méthodes.

Where AI should NOT do the work

Ces utilisations franchissent la frontière avec la prise de décision substantielle que les évaluateurs humains doivent prendre.

Décisions finales d'inclusion/exclusion. PRISMA nécessite deux évaluateurs humains indépendants pour l'inclusion/exclusion. L’IA peut pré-classer, classer et faire apparaître les candidats, mais la décision contraignante doit être humaine. Ceci n’est pas négociable pour la conformité.

Évaluation du risque de biais. Les outils RoB nécessitent du jugement sur la conception de l'étude, la mise en aveugle, l'attrition et la production de rapports. L’IA peut résumer ce que dit le document sur chaque domaine, mais l’évaluation du biais lui-même doit être humaine.

Évaluation de la qualité et niveau de preuve (GRADE). Même logique. L'IA résume ; les humains évaluent.

Interprétation de l'hétérogénéité. La question de savoir si les différences entre les résultats des études reflètent une hétérogénéité clinique, une hétérogénéité méthodologique ou le hasard est une question de jugement qui nécessite une expertise clinique et méthodologique.

Synthèse finale et conclusions. La synthèse narrative, la discussion des forces et des limites, les implications cliniques — telles sont les contributions de l'équipe de révision. L’IA peut rédiger le texte initial, mais les jugements de fond vous appartiennent.

Détection du contenu fabriqué ou provenant d'une usine de papier. Ironiquement, la détection par l'IA des études fabriquées reste peu fiable. Les yeux humains sur les papiers suspects, ainsi que des outils tels que le Problematic Paper Screener, constituent la norme actuelle.

The reporting requirements

Si vous utilisez l'IA n'importe où dans l'avis, PRISMA-trAIce vous demande de le signaler. La structure qui satisfait la plupart des revues :

Dans la section méthodes, sous-section procédure de dépistage :

Abstract screening was conducted using a two-stage process. Initial
classification was performed using [Tool Name, version, accessed via
API/web on dates] with the following prompt template: "[exact prompt]".
The classification was used to prioritize abstracts for human review.
All abstracts, regardless of initial classification, were then screened
independently by two reviewers ([author initials]) using [Covidence /
Rayyan / other tool], with disagreements resolved by discussion or by
a third reviewer ([author initials]) when consensus was not reached.

Dans un exercice de calibrage mené sur [nombre] résumés avant la
dépistage principal, la classification de l'IA est conforme au consensus humain
décision dans [pourcentage]% des cas. L'IA n'a pas été utilisée pour la finale
décisions d’inclusion ou d’exclusion.

Dans la section méthodes, sous-section extraction des données :

Data extraction was performed using a structured form (Appendix [X]).
Extraction of [specific data types, e.g., patient characteristics,
intervention details, outcome measurements] was supported by [Tool
Name, version], which extracted candidate values from full-text PDFs.
All extracted values were verified against the source PDFs by two
reviewers ([author initials]). Discrepancies between AI-extracted
values and source documents were corrected against the source in
[percentage]% of cases. The verified data informed the final
synthesis.

Dans une sous-section dédiée « Utilisation de l'IA » (parfois requise séparément) :

The following AI tools were used in this review: [list each tool,
version, date range, and specific role]. No AI tool was used for
risk of bias assessment, quality grading, interpretation of
heterogeneity, or synthesis of conclusions. All AI-supported steps
were verified by [number] human reviewers as described above. The
prompts used are provided in Appendix [Y].

In the limitations section:

Reconnaître les limites liées à l'IA : biais systématique potentiel dans la pré-classification, recours à des outils d'IA dont le fonctionnement interne n'est pas transparent et impossibilité de reproduire entièrement le comportement de l'IA dans les versions du modèle.

The workflow we recommend

A sequence that satisfies PRISMA-trAIce and uses AI's strengths.

Étape 1 : Pré-enregistrer le protocole. Avant toute utilisation de l'IA, enregistrez l'avis (PROSPERO pour les avis médicaux ; OSF pour les autres). Le protocole précise les critères d'inclusion, la stratégie de recherche, la méthode de sélection, le plan d'extraction et l'approche de synthèse. Précisez dans le protocole où l’IA sera utilisée et comment. Un pré-enregistrement mentionnant l’IA est bien plus efficace qu’une divulgation post-hoc.

Étape 2 : Exécutez l'exercice d'étalonnage. Choisissez 100 à 200 résumés de votre recherche. Demandez à deux évaluateurs humains de les examiner indépendamment. Exécutez le dépistage IA sur le même plateau avec l'invite prévue. Calculez les métriques d’accord (kappa de Cohen, pourcentage d’accord). Si l’accord de l’IA est inférieur à 0,7 kappa ou 80 % avec la décision humaine consensuelle, affinez l’invite ou reconsidérez l’utilisation de l’IA.

Étape 3 : Exécutez la passe de sélection principale de l'IA. À l'aide d'une invite calibrée, examinez le corpus abstrait complet. Résultat : une liste classée ou classée. Les évaluateurs humains voient ce classement mais prennent leurs propres décisions indépendantes.

Étape 4 : Sélection indépendante par deux évaluateurs. Chaque résumé reçoit toujours deux évaluateurs humains. La classification de l'IA est une métadonnée, pas un vote. Désaccords résolus par discussion ou par un troisième évaluateur.

Étape 5 : Contrôle du texte intégral avec l'aide de l'IA. L'IA peut signaler les exclusions évidentes au stade du texte intégral (mauvaise langue, résumé uniquement, articles rétractés). Les humains prennent les décisions finales.

Étape 6 : Extraction des données avec l'assistance et la vérification de l'IA. L'IA extrait les valeurs candidates ; deux évaluateurs humains vérifient la source. Le journal de vérification lui-même devient une preuve de conformité.

Étape 7 : Risque de biais – humain uniquement. Aucune IA à cette étape.

Étape 8 : Synthèse – écriture dirigée par des humains et assistée par l'IA. Les humains interprètent. L'IA aide à [résumer les études pour le tableau des études incluses] (/blog/summarize-research-paper-ai), à rédiger la section des méthodes et à peaufiner la prose. L’interprétation substantielle reste humaine.

Étape 9 : Divulguer de manière exhaustive. La section Méthodes rapporte l'utilisation de l'IA comme décrit ci-dessus. Une [déclaration d'utilisation de l'IA] complète (/blog/ai-disclosure-statement-manuscript) apparaît dans le texte préliminaire ou dans les remerciements. Les invites complètes utilisées figurent dans une annexe.

Étape 10 : Audit préalable à la publication. Avant la soumission, un deuxième membre de l'équipe vérifie les étapes prises en charge par l'IA pour vérifier l'exhaustivité de la documentation. Les invites manquantes, les numéros de version manquants ou les pourcentages de vérification manquants sont les déclencheurs de rejet courants.

Common pitfalls

Caractéristiques hallucinées de l'étude. L'IA extrait parfois des données qui ne figurent pas dans le document source : des intervalles de confiance qui n'existent pas, des tailles d'échantillon qui ne correspondent pas, des détails d'intervention fabriqués à partir du contexte. La vérification de la source est la seule défense. Si votre équipe ne vérifie pas chaque valeur extraite, vous allez publier des erreurs.

** Dérive rapide tout au long de l'examen. ** Une invite affinée à mi-examen modifie le comportement de l'IA sur les éléments déjà examinés. Si vous modifiez l'invite, documentez pourquoi et réexaminez les éléments concernés.

Dépendance excessive à l'égard de la classification de l'IA. Certaines équipes ont effectivement délégué les décisions d'inclusion à l'IA en traitant sa classification comme faisant autorité. PRISMA nécessite des décisions humaines. L'entrée de l'IA est correcte ; Les décisions de l’IA ne le sont pas.

Oublier de documenter les écarts. Tout ce qui diffère du protocole pré-enregistré doit être signalé. Si l’utilisation de l’IA a évolué au cours de l’examen, documentez cette évolution. Les changements de processus cachés sont signalés lors de l'examen par les pairs.

Versions d'outils incohérentes. Mise à jour des modèles d'IA. La version DeepSeek V3 qui a examiné les résumés en janvier n'est pas identique à la version disponible en juin. Documentez la version et la plage de dates de chaque outil d’IA utilisé.

** Précision de la traduction supposée, non vérifiée. ** La traduction par l'IA est bonne mais pas parfaite, en particulier pour le contenu clinique ou technique. Si des sources non anglaises sont incluses, indiquez qui a vérifié les traductions.

See the Full AI Summarizer

Summarize papers, extract study characteristics, and draft synthesis text. Free tier includes every feature.

Frequently asked questions

Q : Puis-je inclure des résumés filtrés par l'IA dans mon organigramme PRISMA ?

Oui, mais avec une attribution spécifique. L'organigramme standard PRISMA 2020 comporte des champs pour les enregistrements identifiés, les enregistrements examinés, les enregistrements évalués pour leur éligibilité et les enregistrements inclus. Si l'IA a été utilisée lors de la sélection, ajoutez une note au diagramme ou à sa légende : « La classification initiale basée sur l'IA a été utilisée pour classer les résumés ; tous les résumés ont fait l'objet d'une sélection humaine indépendante par deux évaluateurs. » Certaines revues demandent désormais un organigramme plus détaillé qui répartit les étapes prises en charge par l'IA et celles réservées aux humains. L'extension PRISMA-trAIce fournit des modèles pour cela.

Q : Comment puis-je citer les outils d'IA utilisés dans mon examen systématique ?

Citez le modèle avec sa version et la date d'accès. Format standard : "[Nom du modèle], version [X.Y], consulté [plage de dates] via [point de terminaison API/interface Web] (développeur : [Société]). URL : [lien vers la documentation si disponible]." Certaines revues nécessitent une citation plus détaillée incluant les paramètres API exacts utilisés. Consultez les instructions de la revue pour les auteurs. Les conventions de citation des outils d’IA continuent d’évoluer : en cas de doute, incluez plus de détails plutôt que moins.

Q : Quelle est la différence entre PRISMA 2020 et PRISMA-trAIce ?

PRISMA 2020 est la liste de contrôle de reporting standard pour les examens systématiques, mise à jour à partir de la version 2009. PRISMA-trAIce (publiée en 2024) est une extension qui ajoute des exigences de reporting pour les étapes prises en charge par l'IA dans le processus d'examen. La plupart des revues exigent désormais les deux : PRISMA 2020 pour les rapports généraux, PRISMA-trAIce pour toutes les étapes prises en charge par l'IA. La liste de contrôle trAIce comprend 12 éléments couvrant la documentation des outils, les rapports rapides, les mesures d'étalonnage et les procédures de vérification humaine. Si vous utilisez l'IA n'importe où dans une revue systématique, adressez PRISMA-trAIce dans votre section méthodes. Pour un guide de flux de travail plus large qui complète celui-ci, voir [Utiliser l'IA pour accélérer votre revue de littérature] (/blog/ai-literature-review-summarizer).

Q : L'utilisation de l'IA dans mon examen systématique réduira-t-elle mes chances d'acceptation ?

D’après notre expérience, l’utilisation divulguée et correctement documentée de l’IA ne réduit pas les taux d’acceptation et accélère souvent l’examen (les méthodes sont plus claires et plus défendables). Ce qui réduit l’acceptation, c’est l’utilisation non divulguée de l’IA, l’utilisation de l’IA qui se substitue au jugement humain requis ou les limitations liées à l’IA qui ne sont pas reconnues. Le signal auquel répondent les éditeurs et les réviseurs est la rigueur et la transparence, et non l’abstention de l’IA. Une revue systématique qui utilise l’IA pour le dépistage, rapporte son utilisation en détail, inclut des mesures d’étalonnage et reconnaît ses limites est traitée comme une revue méthodologiquement moderne et non comme une revue compromise.