96,9 % de precision, et pourtant pas pret

96,9 % de précision. C'est le score d'un modèle capable de distinguer une épilepsie structurelle d'une épilepsie idiopathique chez le chien, à partir de l'examen clinique et de l'historique des crises. 328 cas, 100 % de spécificité sur les formes structurelles. 🔍 Et pourtant, les auteurs le classent « candidat au soutien à la décision, pas autonome ». Cette nuance traverse toute la revue, parue en 2026 dans Veterinary Medicine and Science. 📊 Les scores impressionnent. 91 à 94 % pour séparer méningiome et gliome sur 120 IRM canines. AUC de 0,95 pour prédire la reprise de la marche après hémilaminectomie thoracolombaire, sur 162 opérés. ⚠️ La limite se lit dans la colonne d'à côté du tableau. Rétrospectif. Monocentrique. Validation interne. Petits effectifs. Presque aucune validation externe. 🐕 Un modèle entraîné surtout sur des brachycéphales perd en fiabilité chez un dolichocéphale. Un score obtenu dans un centre de référé ne dit rien de ce qu'il donnera dans votre salle de consultation. 🧠 Et c'est là que ça pèse. Un pronostic algorithmique peut orienter une décision irréversible. Chirurgie, soins intensifs, euthanasie. Une AUC flatteuse ne protège de rien si le modèle est mal calibré. ✅ La conclusion des auteurs tient en une expression : veterinarian-in-the-loop. L'IA identifie une signature, le vétérinaire pose le diagnostic. Ils la rangent parmi les exigences de sécurité. 📚 Référence : Saberi K., Abbood R. S., Al-Taie S. F. et al. (2026). « Artificial Intelligence in Veterinary Neurology: Comparative Insights From Human Medicine and Cross-Species Technology Transfer ». Veterinary Medicine and Science, 12(5), e71152. https://doi.org/10.1002/vms3.71152 🎙️ Nous creusons ce type de publication dans VETO-IA : https://open.spotify.com/show/5wlGAVBuJwv0a1QFepdwoX