@inproceedings{aguiar-etal-2025-inference,
    title = "Inf{\'e}rence en langue naturelle appliqu{\'e}e au recrutement de patients pour les essais cliniques : le point de vue du patient",
    author = "Aguiar, Mathilde  and
      Zweigenbaum, Pierre  and
      Naderi, Nona",
    editor = "Bechet, Fr{\'e}d{\'e}ric  and
      Chifu, Adrian-Gabriel  and
      Pinel-sauvagnat, Karen  and
      Favre, Benoit  and
      Maes, Eliot  and
      Nurbakova, Diana",
    booktitle = "Actes des 32{\`e}me Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles (TALN), volume 2 : traductions d'articles publi{\'e}s",
    month = "6",
    year = "2025",
    address = "Marseille, France",
    publisher = "ATALA {\textbackslash}{\textbackslash}{\&} ARIA",
    url = "https://preview.aclanthology.org/corrections-2025-10/2025.jeptalnrecital-trad.18/",
    pages = "34--35",
    language = "fra",
    abstract = "Recruter des patients pour les essais cliniques est long et complexe. Habituellement, le processus de recrutement est initi{\'e} par un professionnel de sant{\'e} qui propose {\`a} un patient de participer {\`a} l{'}essai clinique. Promouvoir les essais directement aux patients via des plateformes en ligne pourrait aider {\`a} en atteindre un plus grand nombre. Dans cette {\'e}tude, nous nous int{\'e}ressons au cas o{\`u} le patient est l{'}initiateur de la d{\'e}marche et veut savoir s{'}il est {\'e}ligible {\`a} un essai clinique, tout cela en utilisant son propre langage patient. Pour d{\'e}terminer si l{'}utilisation d{'}un tel langage permet tout de m{\^e}me au mod{\`e}le de langue de d{\'e}terminer l'{\'e}gilibilit{\'e} du patient pour l{'}essai clinique, nous construisons la t{\^a}che Natural Language Inference for Patient Recrutement (NLI4PR). Pour cela nous adaptons le jeu de donn{\'e}es TREC 2022 Clinical Trial Track en r{\'e}{\'e}crivant manuellement les profils m{\'e}dicaux en langage patient. Nous extrayons {\'e}galement les essais cliniques o{\`u} les patients {\'e}taient labellis{\'e}s {\guillemotleft} {\'e}ligible {\guillemotright} ou {\guillemotleft} exclu {\guillemotright}. Nous soumettons des amorces {\`a} plusieurs grands mod{\`e}les de langue, et obtenons un score F1 compris entre 56,6 et 71,8 avec le langage patient, contre 64,7 {\`a} 73,1 pour du langage m{\'e}dical. Nous observons que l{'}utilisation du langage patient ne m{\`e}ne qu'{\`a} une d{\'e}gradation de performance relativement petite pour notre meilleur mod{\`e}le. Cela sugg{\`e}re qu{'}avoir le patient en tant que point de d{\'e}part du recrutement pourrait {\^e}tre r{\'e}alisable. Nos scripts ainsi que nos jeux de donn{\'e}es sont disponibles sur Github et HuggingFace(Aguiar et al. , 2025)."
}